1 主题

1.1 大秦赋

🚩🇬🇧🇲🇾🇹🇼🇨🇳大秦赋赢家ξng黄氏江夏堂

岂曰无衣,与子同袍


🚩🦔主题曲🦔🚩

出处:天下(电视剧《大秦赋》主题曲完整版)

1.2 古诗

歼灭可兰经巫术祖籍印尼和印度的印裔回教徒和兴都教徒,建立咱们世袭制道家六四学术中华民族政府。

🚩🦔Great Britain = 大英帝国
🚩🦔Greater Chin / Republic of China / Republic People of China = 大秦帝国/大秦赋
🚩🦔Greater Chinese = 大秦子民(爱民如子)
🚩🦔Oversea Greater Chinese = 海外大秦子民(爱民如子)
🚩🦔Oversea Greater Chinese Association = 海外大秦子民公会(秦始皇的秦太祖 —– 🌟秦孝公/🌟儒家陈祯禄公爵,联合秦始皇 —– 秦始祖嬴政,爱民如子,R鄀计数编程学术份子商鞅变法联合咱们世袭制道家学术份子(世袭制道家宫殿、寺庙、姓氏堂号子嗣贞节牌坊、姻缘算卜概率论)高频对冲基金算卜,回教徒以可兰经回教刑事法典断肢法铲除所有敌人印裔(祖籍印尼和印度的兴都教徒、回教徒九一一恐怖份子、土著、峇峇娘惹),终止巫术以任何形式、包括指鹿为马、屠杀人类,甚至铲除全球回教徒攻陷回教宗祖国麦家🕋🇹🇷🇸🇦瓦解全球回教,拯救全球)

🚩🇬🇧🇲🇾🇹🇼🇨🇳🌟🐯秦孝公 | 🇬🇧🇲🇾🇹🇼🇨🇳🌟🐯姜太公 — 🇬🇧🇲🇾🇹🇼🇨🇳🌟陈祯禄公爵/🇬🇧🇲🇾🇹🇼🇨🇳🐯邱德拔公爵/🇬🇧🇲🇾🇹🇼🇨🇳🍁叶亚来队长/🇬🇧🇲🇾🇹🇼🇨🇳🍁叶观盛队长

🚩🦔《大秦赋》
🚩🦔巫师治国,禍殃全球;
🚩🦔印裔尽弃,瓦釜雷鸣。
🚩🦔商鞅变法,铲除印裔1
🚩🦔车裂刘瑾,中华执政。
🚩🦔一带一路,横跨七洲;
🚩🦔史无前例,一统天下。
🚩🦔高频量化,对冲基金;
🚩🦔只争朝夕,不负韶华。
🚩🦔学海无涯,唯勤是岸;
🚩🦔莫忘初衷,方得始终。

《大秦赋》
🚩大秦孝公,秦惠文王;
🚩始于商鞅,终于辛亥。
🚩印裔尽弃,瓦釜雷鸣;
🚩铲除印裔,终止屠杀。
🚩中科红旗,同舟共济;
🚩千古一帝,傲视全球。
🚩一带一路,史无前例;
🚩横跨七洲,一统天下。
🚩学海无涯,唯秦是岸;
🚩莫忘初衷,方得始终。

出处:DIOR大穎《Happy Go Lucky》 ft. GoHell Holiday ( Official MV )

春秋战国时期,随着经济发展及社会变革,统计思想和统计活动空前活跃,并产生了最初的统计分析。

管仲,名夷吾(约公元前七百卅至公元前六百卌五年),曾任齐桓公的宰相卌年。《管子》一书着重阐述了管仲的思想,其中包括了管仲大量的统计思想和统计分析。管仲十分重视统计,对统计的作用以极高的评价:“不明于计数而欲举大事,犹无舟楫而经于水。险也。……遍知天下,而不明于机数,不能正天下。”

以上「计数」、「机数」等语,泛指统计。这些话的意思是说,要想管理好国家(“欲举大事”),得充分地认识国情(“遍知天下”)这些离不开统计(计数),对统计“不明”,国家管理就会紊乱,失去发展方向,(犹无舟楫而经于水。险也”。)

引用:浅谈春秋战国时期的统计分析

公元前:鬼谷传奇,鬼谷子门徒R鄀计数学编程学术份子卫鞅论“帝道”、“王道”、“霸道” ;那些回教徒身为世袭制法家只需要遵守可兰经习俗文化宗教语言断肢法集体自宫自残自虐自杀即可。借鉴负责图书馆的文吏李斯(秦国长史,协助嬴政一统天下后建立秦朝成为宰相)老鼠哲学,「近朱者赤,近墨者黑」,赤印度人与印度人或非洲黑人也不可近之,咱们公元前夏朝的黄河文明和公元后近代史美国独立战争史都是取代回教和兴都文明。
公元后:借鉴卧薪尝胆史,蜀国卧龙「子非鼠,安知鼠之乐?」自修易经、算筹、天文历法、文言文编程等学术份子卧龙诸葛亮的「隆中对」,借鉴“三分天下后再做定夺”,如果咱们南方海外华人丞相/长史(海外华人公会🌟/马华公会🌟)孔明和祖国北方魏国大都督知音司马懿(字仲达,统一天下后建立晋朝)不是默契战争,蜀国最终会沦为回教国;孔明借东风🚀高效率歼灭所有敌人回教徒!

出处:蔡卓宜青春有你(二)莘莘学子造型。目前马来西亚政府向中国政府争取建立海外中国分校:

中国史册:

《万般皆下品,唯有读书高》
计量经济,一带一路;
九二共识,量化对冲。
鞭策六四,铲除黑帮2
推广量化,提倡学术。
百家争鸣,振兴中华;
学海无涯,唯勤是岸。

##赢家黄氏江夏堂联富和家眷亲属(包括外祖父道家书法家李福李氏陇西堂和外祖母郑邓)、性格开朗的校花吴紫云(和性格开朗的明星蔡卓宜)和家眷亲属、神仙姐姐校花商家苏氏阜阳堂丽欣和家眷亲属、杏林林氏西河堂燕芳(和国民女神中药中医系杨雅、华联独中校友和日语班女同学林艳迎)和家眷亲属、好学的漂亮妞儿皇朝酒店唐宫郭子瑜(和明星肖黎希)和家眷亲属、莘莘学子、国民女神明星邱紫庭和邱爱晨俩、黄埔军校兵马俑世袭制学术份子高频量化对冲中科红旗辛亥革命

##歼灭瓜雪巴西不能帮新村门牌T十五号世袭制自残自虐自杀的失心疯猥亵淫魔土司乩童张佳坤、瓜雪RHU(淮西派)花园加德士油站隔壁第三巷门牌卅二号世袭制自残自虐自杀的失心疯猥亵淫魔土司乩童刘瑾貹/魔戒小丑咕噜/宗教司甘地、瓜雪回教警署巫贼巫婆回教徒黑米哈山殡刘、大港巴列特花园第十三巷门牌廿七廿九卅一号世袭制自残自虐自杀的失心疯猥亵淫魔土司乩童,点缀全球。 
nameserver 114.114.114.114

辛亥革命大秦赋日不落重八、德意志崇祯、古希腊ξηg神话、周公解梦、嬴政把春秋大梦实现为春秋大业、秦孝公招商(商鞅变法)、秦惠文王:全球有十六亿不吃猪肉的回教徒宦官(可兰经回教刑事法典断肢法)宗祖国是沙地阿拉伯麦加,需要靠中国政府一带一路战略(商鞅变法联合辛亥革命)。

省吃俭用的工匠建筑工人(嬴政兼鲁班兼蒙毅)家翁嬴政ξηg Tεηg(赢家黄氏江夏堂)

邓小平/晏婴使楚:鞭策六四学术,推广量化;歼灭回教徒和峇峇娘惹,振兴中华。

吕不韦著作《吕氏春秋》:奇货可居;索罗斯著作《金融炼金术》:物极必反论

世间再无富不过三代的败家子祖父黄实田(曾祖黄福全在清末光绪年间和两个哥哥仨飘洋过海从满洲到星洲自力更生努力奋斗开垦一百亩农地,然后和土木工程的杨清廉俩在清末鸦片战争时期是瓜雪两大不相伯仲的首富)祖母颜为,省吃俭用的外祖父书法家李福(李斯篆书)外祖母郑邓(家道中落的富家千金)。

1.3 商鞅变法

《洋番变法》 印裔宦官,祸国殃民; 草菅人命,民不聊生。 歼灭印裔,人人有责; 终止屠杀,拯救全球。 印裔尽弃,瓦釜雷鸣; 莫忘初衷,放得始终。

引用:「洋人尼克变法」尼克·胡哲:没手没脚,却站在了比正常人更高的地方


2 设定

2.1 SCSS 设置

##
## 中科红旗(百家争鸣,文艺复兴)
## Oversea Greater Chinese Association 大秦子民公会(秦孝公 / 姜太公 --- 陈祯禄公爵)
## 史无前例,一统天下
##
##
##
## 中科红旗
## 全球中华民族,支持中共称霸天下战略。
## Great Britain 大英帝国
## Greater Chin 大秦赋
## Republic of China / Republic People of China 大秦赋(中华民国 / 中华人民共和国)
## Greater Chinese 大秦子民(爱民如子)
## Oversea Greater Chinese 大秦子民(爱民如子)
## Oversea Greater Chinese Union 大秦子民公会(秦孝公 / 姜太公 --- 陈祯禄公爵)
## 史无前例,一统天下
##
## Great Britain = 大布列颠帝国/大英帝国1
## Greater Chin = 大秦赋
## Greater Chinese = 大秦子民(爱子如民)
##
## 马来西亚籍(海外中华民族,自从清末民初下南洋,咱们马来西亚陈祯禄创办 Oversea Chinese Union)秦始皇黄氏江夏堂,笑傲江湖最大文明贡献
##
## 1)借鉴以前大英帝国东印度公司,有生之年就把一带一路高铁所经过的国家领土,一律得攻占下来(要比以前大英帝国/大蒙古帝国还要强大)称霸天下,世代延续直至史无前例,一统天下。
## 2)一带一路所有告示牌、必须使用中文和汉语拼音。
## 3)借鉴大蒙古帝国骑兵所到之处寸草不生,所有被中国攻占下来的领土,所经之地(包括城市/市镇/乡村),一带一路所有高铁站,都建立国民登记局可以申请入籍中国。
## 4)川普已经发言多次,美国兵变,会再次内战(借鉴越王勾践,中越不内讧,善用马来西亚回教徒太监不造反牵制美国,军售中东/西亚/东欧回教诸国)
## 5)中东回教国回教徒九一一恐怖份子与美国开战,中国军售中东西亚/东欧/非洲回教国(借鉴越王勾践中华民族与美国洋人Democrats阖闾政府,中越不内讧,善用马来西亚回教徒太监不造反牵制美国,军售中东/西亚/东欧回教诸国)
## 6)中国目前高铁除了尚未与马来西亚达成协议开工建立高铁但是已经借鉴王翦只围不攻战略,把东南亚国家都温馨说服并建立高铁,中国先不与马来西亚开战,让马来西亚兵变内战(借鉴越王勾践中华民族与美国洋人Democrats阖闾政府,中越不内讧,善用马来西亚回教徒太监不造反牵制美国,军售中东/西亚/东欧回教诸国)
## 7)南太平洋战略:中国和东南亚已经签署合约,达成协议不使用空军、核武器,出动海陆军攻占东南亚
## 8)商鞅变法多多益善战略:最大贡献是全球16亿回教徒太监民族与全球基督洋人鹬蚌相争... 回教徒默罕默德创办回教,建立可兰经回教刑事法典断肢法规定回教徒伪太监民族必须虔诚戴乌纱帽一天祈祷五次,倘若不虔诚施展巫术屠杀是触犯断肢法而虔诚屠杀也触犯断肢法,只有辛亥革命铲除全球回教徒、断肢法处死或宫刑全球回教徒绝子绝孙,多管齐下才能终止巫术屠杀,拯救全球16亿回教徒还俗。China大秦赋秦孝公至顾自己家族禁止七步诗自相残杀,铲除分一杯羹白骨精刘家彭城堂造反,回教徒会施展巫术屠杀人类,回教徒太监民族只能屠杀欧美洋人并且被断肢处死,不效忠中共称霸天下,直至一统天下的伪满洲国马来西亚1700万个回教徒九一一恐怖份子太监民族包括Michael Cutter Christopher,一律断肢法处死(借鉴越王勾践中华民族与美国洋人Democrats阖闾政府,中越不内讧,善用秦二世胡亥、辛亥革命、越王胡志明、中国胡景涛、马来西亚回教徒太监不反中共牵制美国,军售中东/西亚/东欧回教诸国对抗美国)。秦始皇在统一七国后就不思进取导致赵高李斯谋反(借鉴中国历史秦始皇,水能载舟亦能覆舟,宗教巫术,古惑民心,指鹿为马,成也赵李,败也赵李。所以秦始皇得铭记当初秦孝公,不能昏庸被回教徒篡位),中国借鉴秦孝公战略善用商朝和苏联俄罗斯叶利钦。秦始皇铭记秦孝公,善用全球回教徒古惑全球洋人再依照可兰经回教刑事法典断肢全球回教徒,让咱们全球中华民族支持中共,一统天下。
## 9)华尔街、史无前例的万里长城Great Wall Sreet、一带一路高铁:计量经济学、学术治国、编程、计数、科学科技、量化(Fisher姜太公钓鱼大数据,各行各业购物喜好、民意、生活习惯、各国各集团、军事、诊断上市公司等)、金融、贸易、经商、军事、发展各行各业。
## 10)中文编程语言:借鉴日本自从唐朝大话革新学习汉字至明治维新学习欧洲,日本是全球首个亚洲人自创Ruby红宝石编程语言(Ruby Text可以标音),自从2008年就开始使用R语言并且认识中国R语言论坛《统计之都》论坛创办人网友谢益辉和赵坚毅创办的中国最大计量经济学专业论坛《经管之家》至今十年有余、目前已经开始以中文编程,中华人民共和国的国庆日1001和中华民国的国庆日1010都是二进制的电脑语言binary code,如同黄埔军校国共本是一家,赢家黄氏江夏堂秦孝公禁止《七步诗》自相残杀。咱们东南亚中华民族几乎都是国民华校生,洋人研发电脑、许多编程语言R语言、C语言、C++,推广与发展中文,希望它日有咱们中华民族自创新的编程语言,均以中文编程。
## 11)发展台式电脑操作系统:中科红旗是由中国北京大学校友孙玉芳创办将Linux礼逆袭和南非原住民开发的Kubuntu忽奔兔中文化并推出自家产品,在美国微软视窗Win台式电脑操作系统垄断全球十多二十年有余,目前已经开始使用芬兰研发的Linux礼逆袭、中国中科红旗台式电脑操作系统,推广与发展中科红旗。
##
## 《关雎 --- 军官与淑女》
## 咱们中华民族和越族不可以死,隔壁后头邻居黄福全与本人(赢家黄氏江夏堂)祖父同名同姓。
##
## 借鉴欧洲中世纪,文艺复兴后就是开始海外军事,称霸天下之路。目前全球疫情已过三年,一带一路如火如荼进行着。
## 借鉴周公礼乐制度,大英帝国和大日本帝国向来都是自诩绅士淑女,孔子学院,以礼待人,来称霸天下。
## 借鉴指鹿为马的历史,百家争鸣如果散播回教徒屠杀罪、不杀马来西亚回教徒的话,就得处死回教徒学习可兰经,施展巫术下降头,古惑民心之罪,篡位咱们全球中华民族,人心惶惶、民不聊生,一律依照可兰经回教刑事法典断肢法处死回教徒巫师王(张佳坤Sulaiman Abdullah,分一杯羹白骨精巫师王刘瑾貹Abdul Halim)。
## 借鉴圣经、诺亚方舟(划龙舟)、孔子儒学(Confusion Catholic)、神父Father与信徒、中国历史、姬昌伯一扈兔子、徐达吃鹅肉、富不过三代的秦始皇嬴政秦二世胡亥至嬴政孙子、公爵、公公孙子、孙文辛亥革命、马来西亚火箭民主行动党由曾敏兴创党后林吉祥林冠英后换人、蒋介石蒋经国后就不延续世袭制,圣经都是善用父子关系,咱们中华民族和英系都是善用公孙关系、法官律师女子假发、自由女神。
## 中科红旗:借鉴北洋军阀与北约、杀袁者清,灭清者袁,许某可破北洋北约袁绍。黄埔军校国民党共产党辛亥革命是为了铲除回教徒,咱们东南亚回教徒身为伪满洲国九一一恐怖份子触犯可兰经回教刑事法典断肢法,组织个由回教徒执政的国民阵线(伪国民党)立国,1700万个马来西亚回教徒只能集体自杀,宣布亡国。
## 何谓中国(大秦赋Chin)?中华民国和中华人民共和国。咱们东南亚自从东亚清末民初几乎都是国民华校生,自从西周的周公开始礼乐制度后,大英帝国和大日本帝国都效仿来称霸天下做得有声有色、禁止回教巫术Judi博彩庄、艺人(异人)、导演巫师巫婆道衍师傅装疯卖傻、青山是印裔回教徒的归属地,回教巫师巫婆是屠杀人类的语言宗教习俗文化,得断肢法处死1700万个马来西亚印裔回教徒。

# install.packages('remotes', dependencies = TRUE, INSTALL_opts = '--no-lock')
library('BBmisc', 'rmsfuns')
#remotes::install_github("rstudio/sass")
lib('sass')
## 载入需要的程辑包:sass
## sass 
## TRUE
## https://support.rstudio.com/hc/en-us/articles/200532197
## https://community.rstudio.com/t/r-does-not-display-korean-chinese/30889/3?u=englianhu
#Sys.setlocale("LC_CTYPE", "en_US.UTF-8")
#Sys.setlocale("LC_CTYPE", "zh_CN.UTF-8")
#Sys.setlocale(category = "LC_CTYPE", "Chinese (Simplified)_China.936")
#Sys.setlocale(locale = "Chinese")
#Sys.setlocale(locale = "Japanese")
#Sys.setlocale(locale = "English")

# rmarkdown::render('/home/englianhu/Documents/owner/ryo-cn.Rmd',  encoding = 'UTF-8')
#Sys.setlocale("LC_CTYPE", "UTF-8")
#Sys.setlocale(locale = "UTF-8")
#Sys.setlocale(category = "LC_ALL", locale = "chs")
#Sys.setlocale(category = "LC_ALL", locale = "UTF-8")
#Sys.setlocale(category = "LC_ALL", locale = "Chinese")
#Sys.setlocale(category = "LC_ALL", locale = "zh_CN.UTF-8")

# Sys.setlocale("LC_ALL", "en_US.UTF-8")
/* https://stackoverflow.com/a/66029010/3806250 */
h1 { color: #002C54; }
h2 { color: #2F496E; }
h3 { color: #375E97; }
h4 { color: #556DAC; }
h5 { color: #92AAC7; }

/* ----------------------------------------------------------------- */
/* https://gist.github.com/himynameisdave/c7a7ed14500d29e58149#file-broken-gradient-animation-less */
.hover01 {
  /* color: #FFD64D; */
  background: linear-gradient(155deg, #EDAE01 0%, #FFEB94 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #EDAE01 20%, #FFEB94 80%);
    }
  }

.hover02 {
  color: #FFD64D;
  background: linear-gradient(155deg, #002C54 0%, #4CB5F5 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #002C54 20%, #4CB5F5 80%);
    }
  }

.hover03 {
  color: #FFD64D;
  background: linear-gradient(155deg, #A10115 0%, #FF3C5C 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #A10115 20%, #FF3C5C 80%);
    }
  }
## 更换时间区域,保留日期时间。
Sys.setenv(TZ = 'Asia/Shanghai')

## 忽略所有警讯
## https://stackoverflow.com/a/36846793/3806250
## 设置宽度
## options(knitr.table.format = 'html')将所有kableExtra图表一致设置为'html'格式,省略设置各别图表。
## options(repos = 'https://cran.rstudio.com')将仓库设置为安全网。
## options(repos = 'http://cran.rstudio.com')将仓库设置为普通网。
options(warn = -1, width = 999, knitr.table.format = 'html', 
        digits = 22, digits.secs = Inf, repos = 'https://cran.rstudio.com')

## https://stackoverflow.com/questions/39417003/long-vectors-not-supported-yet-abnor-in-rmd-but-not-in-r-script
## https://yihui.org/knitr/options
knitr::opts_chunk$set(
  class.source = 'hover01', class.output = 'hover02', class.error = 'hover03', 
  message = FALSE, warning = FALSE, error = TRUE, 
  autodep = TRUE, aniopts = 'loop', progress = TRUE, verbose = TRUE, 
  cache = FALSE, cache.lazy = FALSE, result = 'asis')

2.2 设置

读取以下所需程序包。

## 读取程序包、设置编织与环境选项。
## 3210448065@qq.com
## leiou123

## 2849108450@qq.com
## leiou123
## https://rstudio.cloud/project/1198888

## 读取'BBmisc'程序包。
if (suppressMessages(!require('BBmisc'))) {
  install.packages('BBmisc', dependencies = TRUE, INSTALL_opts = '--no-lock')
}
suppressMessages(library('BBmisc'))

if (suppressMessages(!require('rmsfuns'))) {
  install.packages('rmsfuns', dependencies = TRUE, INSTALL_opts = '--no-lock')
}
suppressMessages(library('rmsfuns'))

if (!require('REmap')) devtools::install_github('lchiffon/REmap')

## 一次性读取所需程序包。
## 
## [R语言高效数据框操作:tidyfst](https://z.itpub.net/article/detail/5EE2CA3CDCD527ADAF5071BF2ADF8874)
## 
## [「知乎」tidyft高性能数据操作](https://zhuanlan.zhihu.com/p/128645634)
## 最下面是tidyft的性能,占用空间最少,花费时间最少。
##   其实这个包基本拥有tidyfst的所有功能,只是原位更新的概念对于新手是有挑战...

library('tidyfst', warn.conflicts = FALSE)
library('Ipaper', warn.conflicts = FALSE)
library('tidyft', warn.conflicts = FALSE)
library('dplyr', warn.conflicts = FALSE)
library('lubridate', warn.conflicts = FALSE)
library('data.table', warn.conflicts = FALSE)
library('conflicted', warn.conflicts = FALSE)

conflicts_prefer(Ipaper::is_empty, .quiet = TRUE)
conflicts_prefer(tidyft::nth, .quiet = TRUE)
conflicts_prefer(tidyft::fill, .quiet = TRUE)
conflicts_prefer(tidyft::nest, .quiet = TRUE)
conflicts_prefer(tidyft::unnest, .quiet = TRUE)
conflicts_prefer(tidyft::cummean, .quiet = TRUE)
conflicts_prefer(tidyft::group_by, .quiet = TRUE)
conflicts_prefer(tidyft::distinct, .quiet = TRUE)
conflicts_prefer(tidyft::filter, .quiet = TRUE)
conflicts_prefer(tidyft::select, .quiet = TRUE)
conflicts_prefer(tidyft::rename, .quiet = TRUE)
conflicts_prefer(tidyft::count, .quiet = TRUE)
conflicts_prefer(tidyft::arrange, .quiet = TRUE)
conflicts_prefer(tidyft::summarise, .quiet = TRUE)
conflicts_prefer(tidyft::separate, .quiet = TRUE)
conflicts_prefer(tidyft::lead, .quiet = TRUE)
conflicts_prefer(tidyft::lag, .quiet = TRUE)
conflicts_prefer(tidyft::unite, .quiet = TRUE)
conflicts_prefer(tidyft::left_join, .quiet = TRUE)
conflicts_prefer(tidyft::right_join, .quiet = TRUE)
conflicts_prefer(tidyft::inner_join, .quiet = TRUE)
conflicts_prefer(tidyft::full_join, .quiet = TRUE)
conflicts_prefer(tidyft::anti_join, .quiet = TRUE)
conflicts_prefer(tidyft::semi_join, .quiet = TRUE)
conflicts_prefer(tidyft::select_dt, .quiet = TRUE)
conflicts_prefer(tidyft::transpose, .quiet = TRUE)
conflicts_prefer(tidyft::setDT, .quiet = TRUE)
conflicts_prefer(tidyft::setnames, .quiet = TRUE)
conflicts_prefer(dplyr::mutate, .quiet = TRUE)
conflicts_prefer(dplyr::collapse, .quiet = TRUE)
conflicts_prefer(lubridate::year, .quiet = TRUE)
conflicts_prefer(data.table::first, .quiet = TRUE)
conflicts_prefer(data.table::last, .quiet = TRUE)
conflicts_prefer(data.table::between, .quiet = TRUE)
conflicts_prefer(data.table::set, .quiet = TRUE)
conflicts_prefer(data.table::`:=`, .quiet = TRUE)
conflicts_prefer(hms::hms, .quiet = TRUE)

程序包 <- c(
  'devtools', 'Ipaper', 'knitr', 'kableExtra', 'tint', 'furrr', 
  'tidyr', 'readr', 'lubridate', 'reprex', 'stringr', 'feather', 
  'purrr', 'quantmod', 'tidyquant', 'tibbletime', 'timetk', 'TSA', 
  'plyr', 'dplyr', 'dbplyr', 'magrittr', 'cnum', 'arabic2kansuji', 
  'sarima', 'tidyverse', 'memoise', 'htmltools', 'formattable', 
  'dtplyr', 'zoo', 'forecast', 'seasonal', 'magrittr', 'hms', 
  'seasonalview', 'rjson', 'rugarch', 'rmgarch', 'mfGARCH', 
  'feather', 'sparklyr', 'jcolors', 'microbenchmark', 'dendextend', 
  'vembedr', 'lhmetools', 'gtools', 'stringi', 'pacman', 
  'profmem', 'ggthemes', 'flyingfox', 'htmltools', 'echarts4r', 
  'viridis', 'hrbrthemes', 'profvis', 'fable', 'fabletools', 
  'fable.prophet', 'Metrics', 'MLmetrics')#, 'Rfast', 'Rfast2')

## cnum 是協助處理中文數字的R套件,提供轉換、識別及抽取中文數字的函數。
## cnum 是协助处理中文数字的R包,提供转换、识别及抽取中文数字的函数。
# https://cran.r-project.org/web/packages/cnum/readme/README.html
# devtools::install_github('elgarteo/cnum')

# load_pkg(程序包)
suppressAll(lib(程序包))
load_pkg(程序包)
rm(程序包)

.蜀道 <- getwd() |> 
    {\(.) str_split(., '/')}() |> 
    {\(.) c('/', .[[1]][2:5])}() |> 
    {\(.) c(., 'binary.com-interview-question-data/')}() |> 
    {\(.) paste(., collapse = '/')}() |> 
    {\(.) substring(., 2)}()

## 设置googleVis选项,促使plot.gvis只陈列HTML格式的完成品。
谷歌绘图设置 <- options(gvis.plot.tag = 'chart')

## <audio src='诸子百家诗经与古诗源/bigmoney.mp3' autoplay controls loop></audio>
conflicts_prefer(Ipaper::llply, .quiet = TRUE)
conflicts_prefer(tibble::view, .quiet = TRUE)
conflicts_prefer(tidyft::separate, .quiet = TRUE)
conflicts_prefer(lubridate::year, .quiet = TRUE)
conflicts_prefer(gtools::permutations, .quiet = TRUE)


3 简介

3.1 论文简介

Deriv.com - Interday High Frequency Trading Models Comparison Blooper科研论文中提及一些技术问题,而Part I中的数据加以修饰并回测后与Part II比较,(第三部)则筛选出使用频率(分计) 等于 一数据观测量为十八萬七千一百九十九最优计数模型。故此,二度过滤并筛选频率(分计) 等于 一的数据来筹算节省筹算时间。

在此论文中,使用季节性自回归综合滑均模型系列

  • 季节性指数平滑模型(Seasonal Exponential Smoothing - Seasonal ETS)
  • 外部因素周期性自回归综合滑均模型(ARIMAX)
  • 季节性自回归综合滑均模型(SARIMA)
  • 外部因素周期性季节性自回归综合滑均模型(SARIMAX)
  • 外部因素周期性自回归分整综合滑均模型(Auto Regressive Fractionally Integrated Moving Average Exogenous - ARFIMAX)
  • 多元季节性自回归综合滑均模型(Multi-Seasonal Time Series msts()

然后在外部因素周期性季节性添加天文历法因素,例如天干地支、廿四节气,下一篇会更详细添加农历月份雅称等参数计算周期。天干地支纪年法,天干地支五行对照表叙述一些有关天文历法、天干地支纪年、纪月、纪日、纪时、时辰、十二生肖和生辰八字。

辛亥革命,铲除印裔;
终止屠杀,拯救全球。

咱们东南亚祖籍印尼和印度的印裔政府屠杀六百枯万人类的巫师邪教印裔政权

小时候都在日本动漫文化的环境下长大。小学时期在明智国民华文小学上学就已经学会万事具备,都会提前卅分钟抵达做好准备才不会仓促。自从阳历二零零二年学习日语后,由于平时从旺沙马朱宿舍到拉曼学院徒步上学需要时间提前准备,所以都会将时间设为提前廿分钟,基于从旺沙马朱宿舍徒步耗时三刻钟左右,索性设为提前一个小时,所以愚生将所有电子仪器的标准时间都一律设为日本标准时间,然后青梅竹马的郑添和同学问过我,我回答:“我的时间必须比别人快,我的世界必须比别人快,才能占有先机~”,所以设置提前半个时辰日本标准时间,再提前半个时辰就看到是本土提前一个时辰,平时闲暇时间都会泡拉曼学院图书馆自从阳历二零一九年在菲律宾阿里与中国同胞工作离职后,就开始思考身为🇹🇼🇨🇳中华民族,岂能沦为(大化革新的)倭奴或者倭寇,所以目前的科研语言、时间标准、甚至编码,都一律使用中文。由于数据上的交易时间出现时差的缘故,在读取数据后就将数据上的时间更换,添加半个时辰时差为中国标准时间,以确保时间规律计算方面,不会出错。

有关农历、干支、二十四节气、十二时辰等道家,请查阅天干地支纪年法,天干地支五行对照表或此文章中6.1.2.2 十二时辰对照


4 册 / 策

4.1 开函阅牍/简

Part I中使用的原始数据已加以修饰并储存,Part II(第III部)次论文读取该数据,将网页轻巧化、省略掉修饰数据的一栏,(第III部)虽然出现小出错,但整体上还是可以筛选出最优计数模型,总结使用阳历二零一八年上半年汇价数据即可,节省许多科研时间。(第三部)则筛选出使用频率(分计) 等于 一数据观测量为十八萬七千一百九十九最优计数模型。故此,二度过滤并筛选频率(分计) 等于 一的数据来筹算节省筹算时间。

以天文学公转周期与自转周期的概念,预测时间单位为一分钟而数据量为十个时辰;总汇结论(从阳历二零一六年至二零一八年七月七日)总汇阳历二零一八年上半年结论可以证实将再循环数据量参数设置为频率 = 1以百分之一个时辰时间单位为一个周期(一分钟单位千皕观测量一个循环周期))误差最小、最为精准最优计数模型。为了节省科研时间,它日只需要使用半年汇价数据而非三年半数据。

基于千皕分钟为一个最优循环期数据量,此篇文章将样本数据过滤为2017-12-31 16:01:00 CST(中国标准时间)2018-07-01 00:00:00 CST(中国标准时间),这样所预测出来的汇价会从2018-01-01 00:00:00 CST(中国标准时间)2018-07-01 00:00:00 CST(中国标准时间)七个月整的汇价数据,再来比较闭市价误差,二零一八年汇价数据第一周并无闭市价,估计是年假休市,再比较误差时会忽略NA值时间的数据。

为了方便日后节省时间,这儿再过滤汇价数据量。

## 检验是否已设置途径。
source('函数/汇总上奏.R')
source('函数/总汇结论.R')

if (!exists('.蜀道')) {
  .蜀道 <- getwd() |> 
    {\(.) str_split(., '/')}() |> 
    {\(.) c('/', .[[1]][2:5])}() |> 
    {\(.) c(., 'binary.com-interview-question-data/')}() |> 
    {\(.) paste(., collapse = '/')}() |> 
    {\(.) substring(., 2)}()
}
if (!exists('.蜀道仓库')) .蜀道仓库 <- paste0(.蜀道, '诸子百家学府/fx/USDJPY/仓库/')

样本二零一八半年 <- readRDS(paste0(.蜀道, '诸子百家学府/fx/USDJPY/样本2018半年.rds'))

## A data.table and dplyr tour
## https://atrebas.github.io/post/2019-03-03-datatable-dplyr/#addupdatedelete-columns
日内指数平滑数据二零一八年上半年总汇 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年上半年总汇.rds'))[频率 == 1]

日内指数平滑数据二零一八年上半年总汇 <- tidyft::full_join(样本二零一八半年, 日内指数平滑数据二零一八年上半年总汇) %>% 
    na.omit %>% 
    select_dt(-闭市价)

日内指数平滑数据二零一八年上半年总汇
## [data.table]: 
## # A data frame: 187,199 × 14
##    年月日时分           年份  月份  季度    周 周日  周分计 日分计 时分计    序列 日期        频率 市场价 预测价
##    <dttm>              <int> <int> <int> <dbl> <chr>  <int>  <int>  <int>   <int> <date>     <dbl>  <dbl>  <dbl>
##  1 2018-01-02 00:01:00  2018     1     1     1 周二       1      1      1 1123201 2018-01-02     1   113.   113.
##  2 2018-01-02 00:02:00  2018     1     1     1 周二       2      2      2 1123202 2018-01-02     1   113.   113.
##  3 2018-01-02 00:03:00  2018     1     1     1 周二       3      3      3 1123203 2018-01-02     1   113.   113.
##  4 2018-01-02 00:04:00  2018     1     1     1 周二       4      4      4 1123204 2018-01-02     1   113.   113.
##  5 2018-01-02 00:05:00  2018     1     1     1 周二       5      5      5 1123205 2018-01-02     1   113.   113.
##  6 2018-01-02 00:06:00  2018     1     1     1 周二       6      6      6 1123206 2018-01-02     1   113.   113.
##  7 2018-01-02 00:07:00  2018     1     1     1 周二       7      7      7 1123207 2018-01-02     1   113.   113.
##  8 2018-01-02 00:08:00  2018     1     1     1 周二       8      8      8 1123208 2018-01-02     1   113.   113.
##  9 2018-01-02 00:09:00  2018     1     1     1 周二       9      9      9 1123209 2018-01-02     1   113.   113.
## 10 2018-01-02 00:10:00  2018     1     1     1 周二      10     10     10 1123210 2018-01-02     1   113.   113.
## # ℹ 187,189 more rows

以上图表显示数据年月日时分,由2018-01-02 00:01:00 至 2018-06-30,接下来的科研一律使用同样的半年数据,是为了在回测多元计数模型,才能获知并筛选最优计数模型。

以上首千多个汇价(观测值)都是一样的汇价。

4.2 整顿数据

4.2.1 月计

4.2.1.1 总汇二零一八年一月结论

source('函数/总汇结论.R')
日内指数平滑数据二零一八年一月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

# 时间索引 <- 日内指数平滑数据二零一八年一月总汇[序列 == 1124001]$日期[1] #序列 == 1124001
# 时间索引 <- 日内指数平滑数据二零一八年上半年总汇[序列 == 1124001]$日期[1] #序列 == 1124001

#日内指数平滑数据二零一八年一月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年一月总汇, 时间索引,  文件名 = '日内指数平滑数据二零一八年一月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年一月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年一月结论.rds'))

日内指数平滑数据二零一八年一月总汇
## [data.table]: 
## # A data frame: 894,187 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-01-02 00:01:00   113.   113.  2018     1
##  2     1 2018-01-02 00:02:00   113.   113.  2018     1
##  3     1 2018-01-02 00:03:00   113.   113.  2018     1
##  4     1 2018-01-02 00:04:00   113.   113.  2018     1
##  5     1 2018-01-02 00:05:00   113.   113.  2018     1
##  6     1 2018-01-02 00:06:00   113.   113.  2018     1
##  7     1 2018-01-02 00:07:00   113.   113.  2018     1
##  8     1 2018-01-02 00:08:00   113.   113.  2018     1
##  9     1 2018-01-02 00:09:00   113.   113.  2018     1
## 10     1 2018-01-02 00:10:00   113.   113.  2018     1
## # ℹ 894,177 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年一月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年一月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年一月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33118 0.042647801809103 (rank: 1) 0.000380102237842104 (rank: 1) 0.105901953438435 (rank: 2) 0.000380116118962389 (rank: 1) 0.0112152237420765 (rank: 2) NA
2 33118 0.0426482107117554 (rank: 2) 0.000380105866667644 (rank: 2) 0.105902136141897 (rank: 3) 0.000380119746263225 (rank: 2) 0.011215262439417 (rank: 3) NA
3 33118 0.0426483487969711 (rank: 3) 0.000380107092048244 (rank: 3) 0.105902201788579 (rank: 4) 0.00038012097109601 (rank: 3) 0.0112152763436689 (rank: 4) NA
4 33118 0.0426484181685262 (rank: 4) 0.000380107707646182 (rank: 4) 0.105902235505091 (rank: 5) 0.00038012158641259 (rank: 4) 0.0112152834849758 (rank: 5) NA
5 33118 0.0426484599030382 (rank: 5) 0.000380108077991215 (rank: 5) 0.105902256021325 (rank: 6) 0.000380121956586421 (rank: 5) 0.0112152878304063 (rank: 6) NA
6 33118 0.0426484877729731 (rank: 6) 0.000380108325302701 (rank: 6) 0.105902269818238 (rank: 7) 0.000380122203782775 (rank: 6) 0.011215290752655 (rank: 7) NA
8 33118 0.0426485226635516 (rank: 7) 0.00038010863491195 (rank: 7) 0.105902287198838 (rank: 8) 0.000380122513246989 (rank: 7) 0.0112152944339451 (rank: 8) NA
10 33118 0.0426485436264061 (rank: 8) 0.000380108820929484 (rank: 8) 0.105902297698954 (rank: 9) 0.000380122699176903 (rank: 8) 0.011215296657918 (rank: 9) NA
12 33119 0.0426493537761721 (rank: 27) 0.000380115900108286 (rank: 27) 0.10590138494997 (rank: 1) 0.00038012977225374 (rank: 27) 0.0112151033343218 (rank: 1) NA
15 33118 0.0426485716103186 (rank: 9) 0.000380109069248443 (rank: 9) 0.10590231178288 (rank: 10) 0.000380122947378337 (rank: 9) 0.0112152996409583 (rank: 10) NA
16 33118 0.042648575111004 (rank: 10) 0.000380109100312146 (rank: 10) 0.105902313550105 (rank: 11) 0.000380122978427294 (rank: 10) 0.0112153000152647 (rank: 11) NA
20 33118 0.0426485856166644 (rank: 11) 0.000380109193535116 (rank: 11) 0.105902318860763 (rank: 12) 0.000380123071605948 (rank: 11) 0.0112153011400866 (rank: 12) NA
24 33118 0.042648592623446 (rank: 12) 0.00038010925571035 (rank: 12) 0.105902322408687 (rank: 13) 0.000380123133751576 (rank: 12) 0.0112153018915535 (rank: 13) NA
30 33118 0.0426485996326372 (rank: 13) 0.000380109317906883 (rank: 13) 0.105902325962602 (rank: 14) 0.000380123195918453 (rank: 13) 0.0112153026442892 (rank: 14) NA
40 33118 0.0426486066442422 (rank: 14) 0.000380109380124752 (rank: 14) 0.105902329522509 (rank: 15) 0.000380123258106617 (rank: 14) 0.011215303398294 (rank: 15) NA
50 33118 0.0426486108523641 (rank: 15) 0.000380109417465717 (rank: 15) 0.105902331661329 (rank: 16) 0.000380123295429734 (rank: 15) 0.0112153038513061 (rank: 16) NA
60 33118 0.042648613658263 (rank: 16) 0.000380109442363975 (rank: 16) 0.105902333088407 (rank: 17) 0.000380123320316084 (rank: 16) 0.011215304153568 (rank: 17) NA
80 33118 0.042648617166181 (rank: 17) 0.000380109473491609 (rank: 17) 0.105902334873603 (rank: 18) 0.000380123351428821 (rank: 17) 0.0112153045316808 (rank: 18) NA
100 33118 0.0426486192712218 (rank: 18) 0.000380109492170753 (rank: 18) 0.105902335945441 (rank: 19) 0.000380123370099021 (rank: 18) 0.0112153047587011 (rank: 19) NA
120 33118 0.0426486206747044 (rank: 19) 0.000380109504624594 (rank: 19) 0.105902336660299 (rank: 20) 0.000380123382546897 (rank: 19) 0.0112153049101113 (rank: 20) NA
150 33118 0.0426486220782829 (rank: 20) 0.000380109517079284 (rank: 20) 0.105902337375397 (rank: 21) 0.000380123394995619 (rank: 20) 0.0112153050615723 (rank: 21) NA
200 33118 0.0426486234819581 (rank: 21) 0.000380109529534827 (rank: 21) 0.105902338090735 (rank: 22) 0.000380123407445194 (rank: 21) 0.0112153052130842 (rank: 22) NA
240 33118 0.0426486241843641 (rank: 22) 0.000380109535767624 (rank: 22) 0.105902338448495 (rank: 23) 0.000380123413675005 (rank: 22) 0.0112153052888596 (rank: 23) NA
300 33118 0.0426486248862209 (rank: 23) 0.000380109541995566 (rank: 23) 0.105902338806314 (rank: 24) 0.000380123419899961 (rank: 23) 0.0112153053646473 (rank: 24) NA
400 33118 0.0426486255881076 (rank: 24) 0.000380109548223772 (rank: 24) 0.105902339164192 (rank: 25) 0.000380123426125181 (rank: 24) 0.0112153054404475 (rank: 25) NA
600 33118 0.0426486262900156 (rank: 25) 0.000380109554452165 (rank: 25) 0.10590233952213 (rank: 26) 0.000380123432350587 (rank: 25) 0.0112153055162606 (rank: 26) NA
1200 33118 0.0426486269919462 (rank: 26) 0.00038010956068076 (rank: 26) 0.105902339880129 (rank: 27) 0.000380123438576195 (rank: 26) 0.0112153055920864 (rank: 27) NA

数据 : 二十七行 乘 八列

4.2.1.2 总汇二零一八年二月结论

日内指数平滑数据二零一八年二月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 2]

#日内指数平滑数据二零一八年二月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年二月总汇, 文件名 = '日内指数平滑数据二零一八年二月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年二月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年二月结论.rds'))

日内指数平滑数据二零一八年二月总汇
## [data.table]: 
## # A data frame: 777,600 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-02-01 00:00:00   109.   109.  2018     2
##  2     1 2018-02-01 00:01:00   109.   109.  2018     2
##  3     1 2018-02-01 00:02:00   109.   109.  2018     2
##  4     1 2018-02-01 00:03:00   109.   109.  2018     2
##  5     1 2018-02-01 00:04:00   109.   109.  2018     2
##  6     1 2018-02-01 00:05:00   109.   109.  2018     2
##  7     1 2018-02-01 00:06:00   109.   109.  2018     2
##  8     1 2018-02-01 00:07:00   109.   109.  2018     2
##  9     1 2018-02-01 00:08:00   109.   109.  2018     2
## 10     1 2018-02-01 00:09:00   109.   109.  2018     2
## # ℹ 777,590 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年二月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年二月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年二月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
2 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
3 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
4 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
5 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
6 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
8 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
10 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
12 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
15 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
16 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
20 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
24 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
30 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
40 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
50 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
60 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
80 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
100 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
120 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
150 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
200 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
240 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
300 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
400 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
600 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA
1200 28800 0.0119134252412813 (rank: 14) 0.000110304400741807 (rank: 14) 0.0175250779582514 (rank: 14) 0.000110304402943536 (rank: 14) 0.000307128357442788 (rank: 14) NA

数据 : 二十七行 乘 八列

4.2.1.3 总汇二零一八年三月结论

日内指数平滑数据二零一八年三月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 3]

#日内指数平滑数据二零一八年三月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年三月总汇, 文件名 = '日内指数平滑数据二零一八年三月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年三月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年三月结论.rds'))

日内指数平滑数据二零一八年三月总汇
## [data.table]: 
## # A data frame: 855,387 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-03-01 00:00:00   107.   107.  2018     3
##  2     1 2018-03-01 00:01:00   107.   107.  2018     3
##  3     1 2018-03-01 00:02:00   107.   107.  2018     3
##  4     1 2018-03-01 00:03:00   107.   107.  2018     3
##  5     1 2018-03-01 00:04:00   107.   107.  2018     3
##  6     1 2018-03-01 00:05:00   107.   107.  2018     3
##  7     1 2018-03-01 00:06:00   107.   107.  2018     3
##  8     1 2018-03-01 00:07:00   107.   107.  2018     3
##  9     1 2018-03-01 00:08:00   107.   107.  2018     3
## 10     1 2018-03-01 00:09:00   107.   107.  2018     3
## # ℹ 855,377 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年三月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年三月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年三月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
2 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
3 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
4 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
5 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
6 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
8 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
10 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
12 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
15 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
16 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
20 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
24 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
30 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
40 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
50 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
60 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
80 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
100 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
120 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
150 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
200 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
240 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
300 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
400 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
600 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA
1200 31681 0.00992036983744529 (rank: 14) 9.35656521471442e-05 (rank: 14) 0.0147698800940613 (rank: 14) 9.35656453475349e-05 (rank: 14) 0.000218149357992948 (rank: 14) NA

数据 : 二十七行 乘 八列

4.2.1.4 总汇二零一八年四月结论

日内指数平滑数据二零一八年四月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 4]

#日内指数平滑数据二零一八年四月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年四月总汇, 文件名 = '日内指数平滑数据二零一八年四月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年四月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年四月结论.rds'))

日内指数平滑数据二零一八年四月总汇
## [data.table]: 
## # A data frame: 816,453 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-04-02 00:01:00   106.   106.  2018     4
##  2     1 2018-04-02 00:02:00   106.   106.  2018     4
##  3     1 2018-04-02 00:03:00   106.   106.  2018     4
##  4     1 2018-04-02 00:04:00   106.   106.  2018     4
##  5     1 2018-04-02 00:05:00   106.   106.  2018     4
##  6     1 2018-04-02 00:06:00   106.   106.  2018     4
##  7     1 2018-04-02 00:07:00   106.   106.  2018     4
##  8     1 2018-04-02 00:08:00   106.   106.  2018     4
##  9     1 2018-04-02 00:09:00   106.   106.  2018     4
## 10     1 2018-04-02 00:10:00   106.   106.  2018     4
## # ℹ 816,443 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年四月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年四月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年四月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
2 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
3 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
4 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
5 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
6 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
8 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
10 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
12 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
15 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
16 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
20 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
24 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
30 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
40 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
50 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
60 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
80 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
100 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
120 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
150 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
200 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
240 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
300 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
400 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
600 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA
1200 30239 0.00768782044012232 (rank: 14) 7.15098044582977e-05 (rank: 14) 0.0113214299249859 (rank: 14) 7.15098188485653e-05 (rank: 14) 0.000128174775546365 (rank: 14) NA

数据 : 二十七行 乘 八列

4.2.1.5 总汇二零一八年五月结论

日内指数平滑数据二零一八年五月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 5]

#日内指数平滑数据二零一八年五月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年五月总汇, 文件名 = '日内指数平滑数据二零一八年五月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年五月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年五月结论.rds'))

日内指数平滑数据二零一八年五月总汇
## [data.table]: 
## # A data frame: 894,240 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-05-01 00:00:00   109.   109.  2018     5
##  2     1 2018-05-01 00:01:00   109.   109.  2018     5
##  3     1 2018-05-01 00:02:00   109.   109.  2018     5
##  4     1 2018-05-01 00:03:00   109.   109.  2018     5
##  5     1 2018-05-01 00:04:00   109.   109.  2018     5
##  6     1 2018-05-01 00:05:00   109.   109.  2018     5
##  7     1 2018-05-01 00:06:00   109.   109.  2018     5
##  8     1 2018-05-01 00:07:00   109.   109.  2018     5
##  9     1 2018-05-01 00:08:00   109.   109.  2018     5
## 10     1 2018-05-01 00:09:00   109.   109.  2018     5
## # ℹ 894,230 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年五月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年五月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年五月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
2 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
3 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
4 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
5 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
6 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
8 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
10 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
12 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
15 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
16 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
20 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
24 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
30 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
40 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
50 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
60 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
80 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
100 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
120 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
150 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
200 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
240 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
300 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
400 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
600 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA
1200 33120 0.00866354723134129 (rank: 14) 7.90367696435249e-05 (rank: 14) 0.0128677178917402 (rank: 14) 7.90367913002411e-05 (rank: 14) 0.000165578163741412 (rank: 14) NA

数据 : 二十七行 乘 八列

4.2.1.6 总汇二零一八年六月结论

日内指数平滑数据二零一八年六月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 6]

#日内指数平滑数据二零一八年六月结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年六月总汇, 文件名 = '日内指数平滑数据二零一八年六月', 是否储存结论 = '勾')
日内指数平滑数据二零一八年六月结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年六月结论.rds'))

日内指数平滑数据二零一八年六月总汇
## [data.table]: 
## # A data frame: 816,507 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-06-01 00:00:00   109.   109.  2018     6
##  2     1 2018-06-01 00:01:00   109.   109.  2018     6
##  3     1 2018-06-01 00:02:00   109.   109.  2018     6
##  4     1 2018-06-01 00:03:00   109.   109.  2018     6
##  5     1 2018-06-01 00:04:00   109.   109.  2018     6
##  6     1 2018-06-01 00:05:00   109.   109.  2018     6
##  7     1 2018-06-01 00:06:00   109.   109.  2018     6
##  8     1 2018-06-01 00:07:00   109.   109.  2018     6
##  9     1 2018-06-01 00:08:00   109.   109.  2018     6
## 10     1 2018-06-01 00:09:00   109.   109.  2018     6
## # ℹ 816,497 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年六月结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年六月结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年六月结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
2 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
3 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
4 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
5 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
6 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
8 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
10 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
12 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
15 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
16 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
20 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
24 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
30 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
40 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
50 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
60 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
80 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
100 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
120 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
150 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
200 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
240 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
300 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
400 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
600 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA
1200 30241 0.00835188884727909 (rank: 14) 7.59065070932956e-05 (rank: 14) 0.0126110147410157 (rank: 14) 7.59068881601675e-05 (rank: 14) 0.000159037692798116 (rank: 14) NA

数据 : 二十七行 乘 八列


4.2.2 周计

4.2.2.1 总汇二零一八年第一周结论

日内指数平滑数据二零一八年第一周总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

#日内指数平滑数据二零一八年第一周结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年第一周总汇, 文件名 = '日内指数平滑数据二零一八年第一周', 是否储存结论 = '勾')
日内指数平滑数据二零一八年第一周结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年第一周结论.rds'))

日内指数平滑数据二零一八年第一周总汇
## [data.table]: 
## # A data frame: 894,187 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-01-02 00:01:00   113.   113.  2018     1
##  2     1 2018-01-02 00:02:00   113.   113.  2018     1
##  3     1 2018-01-02 00:03:00   113.   113.  2018     1
##  4     1 2018-01-02 00:04:00   113.   113.  2018     1
##  5     1 2018-01-02 00:05:00   113.   113.  2018     1
##  6     1 2018-01-02 00:06:00   113.   113.  2018     1
##  7     1 2018-01-02 00:07:00   113.   113.  2018     1
##  8     1 2018-01-02 00:08:00   113.   113.  2018     1
##  9     1 2018-01-02 00:09:00   113.   113.  2018     1
## 10     1 2018-01-02 00:10:00   113.   113.  2018     1
## # ℹ 894,177 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年第一周结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年第一周结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年第一周结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33118 0.042647801809103 (rank: 1) 0.000380102237842104 (rank: 1) 0.105901953438435 (rank: 2) 0.000380116118962389 (rank: 1) 0.0112152237420765 (rank: 2) NA
2 33118 0.0426482107117554 (rank: 2) 0.000380105866667644 (rank: 2) 0.105902136141897 (rank: 3) 0.000380119746263225 (rank: 2) 0.011215262439417 (rank: 3) NA
3 33118 0.0426483487969711 (rank: 3) 0.000380107092048244 (rank: 3) 0.105902201788579 (rank: 4) 0.00038012097109601 (rank: 3) 0.0112152763436689 (rank: 4) NA
4 33118 0.0426484181685262 (rank: 4) 0.000380107707646182 (rank: 4) 0.105902235505091 (rank: 5) 0.00038012158641259 (rank: 4) 0.0112152834849758 (rank: 5) NA
5 33118 0.0426484599030382 (rank: 5) 0.000380108077991215 (rank: 5) 0.105902256021325 (rank: 6) 0.000380121956586421 (rank: 5) 0.0112152878304063 (rank: 6) NA
6 33118 0.0426484877729731 (rank: 6) 0.000380108325302701 (rank: 6) 0.105902269818238 (rank: 7) 0.000380122203782775 (rank: 6) 0.011215290752655 (rank: 7) NA
8 33118 0.0426485226635516 (rank: 7) 0.00038010863491195 (rank: 7) 0.105902287198838 (rank: 8) 0.000380122513246989 (rank: 7) 0.0112152944339451 (rank: 8) NA
10 33118 0.0426485436264061 (rank: 8) 0.000380108820929484 (rank: 8) 0.105902297698954 (rank: 9) 0.000380122699176903 (rank: 8) 0.011215296657918 (rank: 9) NA
12 33119 0.0426493537761721 (rank: 27) 0.000380115900108286 (rank: 27) 0.10590138494997 (rank: 1) 0.00038012977225374 (rank: 27) 0.0112151033343218 (rank: 1) NA
15 33118 0.0426485716103186 (rank: 9) 0.000380109069248443 (rank: 9) 0.10590231178288 (rank: 10) 0.000380122947378337 (rank: 9) 0.0112152996409583 (rank: 10) NA
16 33118 0.042648575111004 (rank: 10) 0.000380109100312146 (rank: 10) 0.105902313550105 (rank: 11) 0.000380122978427294 (rank: 10) 0.0112153000152647 (rank: 11) NA
20 33118 0.0426485856166644 (rank: 11) 0.000380109193535116 (rank: 11) 0.105902318860763 (rank: 12) 0.000380123071605948 (rank: 11) 0.0112153011400866 (rank: 12) NA
24 33118 0.042648592623446 (rank: 12) 0.00038010925571035 (rank: 12) 0.105902322408687 (rank: 13) 0.000380123133751576 (rank: 12) 0.0112153018915535 (rank: 13) NA
30 33118 0.0426485996326372 (rank: 13) 0.000380109317906883 (rank: 13) 0.105902325962602 (rank: 14) 0.000380123195918453 (rank: 13) 0.0112153026442892 (rank: 14) NA
40 33118 0.0426486066442422 (rank: 14) 0.000380109380124752 (rank: 14) 0.105902329522509 (rank: 15) 0.000380123258106617 (rank: 14) 0.011215303398294 (rank: 15) NA
50 33118 0.0426486108523641 (rank: 15) 0.000380109417465717 (rank: 15) 0.105902331661329 (rank: 16) 0.000380123295429734 (rank: 15) 0.0112153038513061 (rank: 16) NA
60 33118 0.042648613658263 (rank: 16) 0.000380109442363975 (rank: 16) 0.105902333088407 (rank: 17) 0.000380123320316084 (rank: 16) 0.011215304153568 (rank: 17) NA
80 33118 0.042648617166181 (rank: 17) 0.000380109473491609 (rank: 17) 0.105902334873603 (rank: 18) 0.000380123351428821 (rank: 17) 0.0112153045316808 (rank: 18) NA
100 33118 0.0426486192712218 (rank: 18) 0.000380109492170753 (rank: 18) 0.105902335945441 (rank: 19) 0.000380123370099021 (rank: 18) 0.0112153047587011 (rank: 19) NA
120 33118 0.0426486206747044 (rank: 19) 0.000380109504624594 (rank: 19) 0.105902336660299 (rank: 20) 0.000380123382546897 (rank: 19) 0.0112153049101113 (rank: 20) NA
150 33118 0.0426486220782829 (rank: 20) 0.000380109517079284 (rank: 20) 0.105902337375397 (rank: 21) 0.000380123394995619 (rank: 20) 0.0112153050615723 (rank: 21) NA
200 33118 0.0426486234819581 (rank: 21) 0.000380109529534827 (rank: 21) 0.105902338090735 (rank: 22) 0.000380123407445194 (rank: 21) 0.0112153052130842 (rank: 22) NA
240 33118 0.0426486241843641 (rank: 22) 0.000380109535767624 (rank: 22) 0.105902338448495 (rank: 23) 0.000380123413675005 (rank: 22) 0.0112153052888596 (rank: 23) NA
300 33118 0.0426486248862209 (rank: 23) 0.000380109541995566 (rank: 23) 0.105902338806314 (rank: 24) 0.000380123419899961 (rank: 23) 0.0112153053646473 (rank: 24) NA
400 33118 0.0426486255881076 (rank: 24) 0.000380109548223772 (rank: 24) 0.105902339164192 (rank: 25) 0.000380123426125181 (rank: 24) 0.0112153054404475 (rank: 25) NA
600 33118 0.0426486262900156 (rank: 25) 0.000380109554452165 (rank: 25) 0.10590233952213 (rank: 26) 0.000380123432350587 (rank: 25) 0.0112153055162606 (rank: 26) NA
1200 33118 0.0426486269919462 (rank: 26) 0.00038010956068076 (rank: 26) 0.105902339880129 (rank: 27) 0.000380123438576195 (rank: 26) 0.0112153055920864 (rank: 27) NA

数据 : 二十七行 乘 八列

4.2.2.2 总汇二零一八年第二周结论

日内指数平滑数据二零一八年第二周总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

#日内指数平滑数据二零一八年第二周结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年第二周总汇, 文件名 = '日内指数平滑数据二零一八年第二周', 是否储存结论 = '勾')
日内指数平滑数据二零一八年第二周结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年第二周结论.rds'))

日内指数平滑数据二零一八年第二周总汇
## [data.table]: 
## # A data frame: 894,187 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-01-02 00:01:00   113.   113.  2018     1
##  2     1 2018-01-02 00:02:00   113.   113.  2018     1
##  3     1 2018-01-02 00:03:00   113.   113.  2018     1
##  4     1 2018-01-02 00:04:00   113.   113.  2018     1
##  5     1 2018-01-02 00:05:00   113.   113.  2018     1
##  6     1 2018-01-02 00:06:00   113.   113.  2018     1
##  7     1 2018-01-02 00:07:00   113.   113.  2018     1
##  8     1 2018-01-02 00:08:00   113.   113.  2018     1
##  9     1 2018-01-02 00:09:00   113.   113.  2018     1
## 10     1 2018-01-02 00:10:00   113.   113.  2018     1
## # ℹ 894,177 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年第二周结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年第二周结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年第二周结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33118 0.042647801809103 (rank: 1) 0.000380102237842104 (rank: 1) 0.105901953438435 (rank: 2) 0.000380116118962389 (rank: 1) 0.0112152237420765 (rank: 2) NA
2 33118 0.0426482107117554 (rank: 2) 0.000380105866667644 (rank: 2) 0.105902136141897 (rank: 3) 0.000380119746263225 (rank: 2) 0.011215262439417 (rank: 3) NA
3 33118 0.0426483487969711 (rank: 3) 0.000380107092048244 (rank: 3) 0.105902201788579 (rank: 4) 0.00038012097109601 (rank: 3) 0.0112152763436689 (rank: 4) NA
4 33118 0.0426484181685262 (rank: 4) 0.000380107707646182 (rank: 4) 0.105902235505091 (rank: 5) 0.00038012158641259 (rank: 4) 0.0112152834849758 (rank: 5) NA
5 33118 0.0426484599030382 (rank: 5) 0.000380108077991215 (rank: 5) 0.105902256021325 (rank: 6) 0.000380121956586421 (rank: 5) 0.0112152878304063 (rank: 6) NA
6 33118 0.0426484877729731 (rank: 6) 0.000380108325302701 (rank: 6) 0.105902269818238 (rank: 7) 0.000380122203782775 (rank: 6) 0.011215290752655 (rank: 7) NA
8 33118 0.0426485226635516 (rank: 7) 0.00038010863491195 (rank: 7) 0.105902287198838 (rank: 8) 0.000380122513246989 (rank: 7) 0.0112152944339451 (rank: 8) NA
10 33118 0.0426485436264061 (rank: 8) 0.000380108820929484 (rank: 8) 0.105902297698954 (rank: 9) 0.000380122699176903 (rank: 8) 0.011215296657918 (rank: 9) NA
12 33119 0.0426493537761721 (rank: 27) 0.000380115900108286 (rank: 27) 0.10590138494997 (rank: 1) 0.00038012977225374 (rank: 27) 0.0112151033343218 (rank: 1) NA
15 33118 0.0426485716103186 (rank: 9) 0.000380109069248443 (rank: 9) 0.10590231178288 (rank: 10) 0.000380122947378337 (rank: 9) 0.0112152996409583 (rank: 10) NA
16 33118 0.042648575111004 (rank: 10) 0.000380109100312146 (rank: 10) 0.105902313550105 (rank: 11) 0.000380122978427294 (rank: 10) 0.0112153000152647 (rank: 11) NA
20 33118 0.0426485856166644 (rank: 11) 0.000380109193535116 (rank: 11) 0.105902318860763 (rank: 12) 0.000380123071605948 (rank: 11) 0.0112153011400866 (rank: 12) NA
24 33118 0.042648592623446 (rank: 12) 0.00038010925571035 (rank: 12) 0.105902322408687 (rank: 13) 0.000380123133751576 (rank: 12) 0.0112153018915535 (rank: 13) NA
30 33118 0.0426485996326372 (rank: 13) 0.000380109317906883 (rank: 13) 0.105902325962602 (rank: 14) 0.000380123195918453 (rank: 13) 0.0112153026442892 (rank: 14) NA
40 33118 0.0426486066442422 (rank: 14) 0.000380109380124752 (rank: 14) 0.105902329522509 (rank: 15) 0.000380123258106617 (rank: 14) 0.011215303398294 (rank: 15) NA
50 33118 0.0426486108523641 (rank: 15) 0.000380109417465717 (rank: 15) 0.105902331661329 (rank: 16) 0.000380123295429734 (rank: 15) 0.0112153038513061 (rank: 16) NA
60 33118 0.042648613658263 (rank: 16) 0.000380109442363975 (rank: 16) 0.105902333088407 (rank: 17) 0.000380123320316084 (rank: 16) 0.011215304153568 (rank: 17) NA
80 33118 0.042648617166181 (rank: 17) 0.000380109473491609 (rank: 17) 0.105902334873603 (rank: 18) 0.000380123351428821 (rank: 17) 0.0112153045316808 (rank: 18) NA
100 33118 0.0426486192712218 (rank: 18) 0.000380109492170753 (rank: 18) 0.105902335945441 (rank: 19) 0.000380123370099021 (rank: 18) 0.0112153047587011 (rank: 19) NA
120 33118 0.0426486206747044 (rank: 19) 0.000380109504624594 (rank: 19) 0.105902336660299 (rank: 20) 0.000380123382546897 (rank: 19) 0.0112153049101113 (rank: 20) NA
150 33118 0.0426486220782829 (rank: 20) 0.000380109517079284 (rank: 20) 0.105902337375397 (rank: 21) 0.000380123394995619 (rank: 20) 0.0112153050615723 (rank: 21) NA
200 33118 0.0426486234819581 (rank: 21) 0.000380109529534827 (rank: 21) 0.105902338090735 (rank: 22) 0.000380123407445194 (rank: 21) 0.0112153052130842 (rank: 22) NA
240 33118 0.0426486241843641 (rank: 22) 0.000380109535767624 (rank: 22) 0.105902338448495 (rank: 23) 0.000380123413675005 (rank: 22) 0.0112153052888596 (rank: 23) NA
300 33118 0.0426486248862209 (rank: 23) 0.000380109541995566 (rank: 23) 0.105902338806314 (rank: 24) 0.000380123419899961 (rank: 23) 0.0112153053646473 (rank: 24) NA
400 33118 0.0426486255881076 (rank: 24) 0.000380109548223772 (rank: 24) 0.105902339164192 (rank: 25) 0.000380123426125181 (rank: 24) 0.0112153054404475 (rank: 25) NA
600 33118 0.0426486262900156 (rank: 25) 0.000380109554452165 (rank: 25) 0.10590233952213 (rank: 26) 0.000380123432350587 (rank: 25) 0.0112153055162606 (rank: 26) NA
1200 33118 0.0426486269919462 (rank: 26) 0.00038010956068076 (rank: 26) 0.105902339880129 (rank: 27) 0.000380123438576195 (rank: 26) 0.0112153055920864 (rank: 27) NA

数据 : 二十七行 乘 八列

4.2.2.3 总汇二零一八年第三周结论

日内指数平滑数据二零一八年第三周总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

#日内指数平滑数据二零一八年第三周结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年第三周总汇, 文件名 = '日内指数平滑数据二零一八年第三周', 是否储存结论 = '勾')
日内指数平滑数据二零一八年第三周结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年第三周结论.rds'))

日内指数平滑数据二零一八年第三周总汇
## [data.table]: 
## # A data frame: 894,187 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-01-02 00:01:00   113.   113.  2018     1
##  2     1 2018-01-02 00:02:00   113.   113.  2018     1
##  3     1 2018-01-02 00:03:00   113.   113.  2018     1
##  4     1 2018-01-02 00:04:00   113.   113.  2018     1
##  5     1 2018-01-02 00:05:00   113.   113.  2018     1
##  6     1 2018-01-02 00:06:00   113.   113.  2018     1
##  7     1 2018-01-02 00:07:00   113.   113.  2018     1
##  8     1 2018-01-02 00:08:00   113.   113.  2018     1
##  9     1 2018-01-02 00:09:00   113.   113.  2018     1
## 10     1 2018-01-02 00:10:00   113.   113.  2018     1
## # ℹ 894,177 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年第三周结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年第三周结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年第三周结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33118 0.042647801809103 (rank: 1) 0.000380102237842104 (rank: 1) 0.105901953438435 (rank: 2) 0.000380116118962389 (rank: 1) 0.0112152237420765 (rank: 2) NA
2 33118 0.0426482107117554 (rank: 2) 0.000380105866667644 (rank: 2) 0.105902136141897 (rank: 3) 0.000380119746263225 (rank: 2) 0.011215262439417 (rank: 3) NA
3 33118 0.0426483487969711 (rank: 3) 0.000380107092048244 (rank: 3) 0.105902201788579 (rank: 4) 0.00038012097109601 (rank: 3) 0.0112152763436689 (rank: 4) NA
4 33118 0.0426484181685262 (rank: 4) 0.000380107707646182 (rank: 4) 0.105902235505091 (rank: 5) 0.00038012158641259 (rank: 4) 0.0112152834849758 (rank: 5) NA
5 33118 0.0426484599030382 (rank: 5) 0.000380108077991215 (rank: 5) 0.105902256021325 (rank: 6) 0.000380121956586421 (rank: 5) 0.0112152878304063 (rank: 6) NA
6 33118 0.0426484877729731 (rank: 6) 0.000380108325302701 (rank: 6) 0.105902269818238 (rank: 7) 0.000380122203782775 (rank: 6) 0.011215290752655 (rank: 7) NA
8 33118 0.0426485226635516 (rank: 7) 0.00038010863491195 (rank: 7) 0.105902287198838 (rank: 8) 0.000380122513246989 (rank: 7) 0.0112152944339451 (rank: 8) NA
10 33118 0.0426485436264061 (rank: 8) 0.000380108820929484 (rank: 8) 0.105902297698954 (rank: 9) 0.000380122699176903 (rank: 8) 0.011215296657918 (rank: 9) NA
12 33119 0.0426493537761721 (rank: 27) 0.000380115900108286 (rank: 27) 0.10590138494997 (rank: 1) 0.00038012977225374 (rank: 27) 0.0112151033343218 (rank: 1) NA
15 33118 0.0426485716103186 (rank: 9) 0.000380109069248443 (rank: 9) 0.10590231178288 (rank: 10) 0.000380122947378337 (rank: 9) 0.0112152996409583 (rank: 10) NA
16 33118 0.042648575111004 (rank: 10) 0.000380109100312146 (rank: 10) 0.105902313550105 (rank: 11) 0.000380122978427294 (rank: 10) 0.0112153000152647 (rank: 11) NA
20 33118 0.0426485856166644 (rank: 11) 0.000380109193535116 (rank: 11) 0.105902318860763 (rank: 12) 0.000380123071605948 (rank: 11) 0.0112153011400866 (rank: 12) NA
24 33118 0.042648592623446 (rank: 12) 0.00038010925571035 (rank: 12) 0.105902322408687 (rank: 13) 0.000380123133751576 (rank: 12) 0.0112153018915535 (rank: 13) NA
30 33118 0.0426485996326372 (rank: 13) 0.000380109317906883 (rank: 13) 0.105902325962602 (rank: 14) 0.000380123195918453 (rank: 13) 0.0112153026442892 (rank: 14) NA
40 33118 0.0426486066442422 (rank: 14) 0.000380109380124752 (rank: 14) 0.105902329522509 (rank: 15) 0.000380123258106617 (rank: 14) 0.011215303398294 (rank: 15) NA
50 33118 0.0426486108523641 (rank: 15) 0.000380109417465717 (rank: 15) 0.105902331661329 (rank: 16) 0.000380123295429734 (rank: 15) 0.0112153038513061 (rank: 16) NA
60 33118 0.042648613658263 (rank: 16) 0.000380109442363975 (rank: 16) 0.105902333088407 (rank: 17) 0.000380123320316084 (rank: 16) 0.011215304153568 (rank: 17) NA
80 33118 0.042648617166181 (rank: 17) 0.000380109473491609 (rank: 17) 0.105902334873603 (rank: 18) 0.000380123351428821 (rank: 17) 0.0112153045316808 (rank: 18) NA
100 33118 0.0426486192712218 (rank: 18) 0.000380109492170753 (rank: 18) 0.105902335945441 (rank: 19) 0.000380123370099021 (rank: 18) 0.0112153047587011 (rank: 19) NA
120 33118 0.0426486206747044 (rank: 19) 0.000380109504624594 (rank: 19) 0.105902336660299 (rank: 20) 0.000380123382546897 (rank: 19) 0.0112153049101113 (rank: 20) NA
150 33118 0.0426486220782829 (rank: 20) 0.000380109517079284 (rank: 20) 0.105902337375397 (rank: 21) 0.000380123394995619 (rank: 20) 0.0112153050615723 (rank: 21) NA
200 33118 0.0426486234819581 (rank: 21) 0.000380109529534827 (rank: 21) 0.105902338090735 (rank: 22) 0.000380123407445194 (rank: 21) 0.0112153052130842 (rank: 22) NA
240 33118 0.0426486241843641 (rank: 22) 0.000380109535767624 (rank: 22) 0.105902338448495 (rank: 23) 0.000380123413675005 (rank: 22) 0.0112153052888596 (rank: 23) NA
300 33118 0.0426486248862209 (rank: 23) 0.000380109541995566 (rank: 23) 0.105902338806314 (rank: 24) 0.000380123419899961 (rank: 23) 0.0112153053646473 (rank: 24) NA
400 33118 0.0426486255881076 (rank: 24) 0.000380109548223772 (rank: 24) 0.105902339164192 (rank: 25) 0.000380123426125181 (rank: 24) 0.0112153054404475 (rank: 25) NA
600 33118 0.0426486262900156 (rank: 25) 0.000380109554452165 (rank: 25) 0.10590233952213 (rank: 26) 0.000380123432350587 (rank: 25) 0.0112153055162606 (rank: 26) NA
1200 33118 0.0426486269919462 (rank: 26) 0.00038010956068076 (rank: 26) 0.105902339880129 (rank: 27) 0.000380123438576195 (rank: 26) 0.0112153055920864 (rank: 27) NA

数据 : 二十七行 乘 八列

4.2.2.4 总汇二零一八年第四周结论

日内指数平滑数据二零一八年第四周总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

#日内指数平滑数据二零一八年第四周结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年第四周总汇, 文件名 = '日内指数平滑数据二零一八年第四周', 是否储存结论 = '勾')
日内指数平滑数据二零一八年第四周结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年第四周结论.rds'))

日内指数平滑数据二零一八年第四周总汇
## [data.table]: 
## # A data frame: 894,187 × 6
##     频率 年月日时分          市场价 预测价  年份  月份
##    <dbl> <dttm>               <dbl>  <dbl> <int> <int>
##  1     1 2018-01-02 00:01:00   113.   113.  2018     1
##  2     1 2018-01-02 00:02:00   113.   113.  2018     1
##  3     1 2018-01-02 00:03:00   113.   113.  2018     1
##  4     1 2018-01-02 00:04:00   113.   113.  2018     1
##  5     1 2018-01-02 00:05:00   113.   113.  2018     1
##  6     1 2018-01-02 00:06:00   113.   113.  2018     1
##  7     1 2018-01-02 00:07:00   113.   113.  2018     1
##  8     1 2018-01-02 00:08:00   113.   113.  2018     1
##  9     1 2018-01-02 00:09:00   113.   113.  2018     1
## 10     1 2018-01-02 00:10:00   113.   113.  2018     1
## # ℹ 894,177 more rows
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年第四周结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年第四周结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
最优计数模型(日内指数平滑数据二零一八年第四周结论)
频率 频率(分计) 均对误差(MAE) 均对百分比误差(MAPE) 均方根误差(RMSE) 对称均对百分比误差(SMAPE) 均方误差(MSE) 平均绝对比例误差(MASE)
1 33118 0.042647801809103 (rank: 1) 0.000380102237842104 (rank: 1) 0.105901953438435 (rank: 2) 0.000380116118962389 (rank: 1) 0.0112152237420765 (rank: 2) NA
2 33118 0.0426482107117554 (rank: 2) 0.000380105866667644 (rank: 2) 0.105902136141897 (rank: 3) 0.000380119746263225 (rank: 2) 0.011215262439417 (rank: 3) NA
3 33118 0.0426483487969711 (rank: 3) 0.000380107092048244 (rank: 3) 0.105902201788579 (rank: 4) 0.00038012097109601 (rank: 3) 0.0112152763436689 (rank: 4) NA
4 33118 0.0426484181685262 (rank: 4) 0.000380107707646182 (rank: 4) 0.105902235505091 (rank: 5) 0.00038012158641259 (rank: 4) 0.0112152834849758 (rank: 5) NA
5 33118 0.0426484599030382 (rank: 5) 0.000380108077991215 (rank: 5) 0.105902256021325 (rank: 6) 0.000380121956586421 (rank: 5) 0.0112152878304063 (rank: 6) NA
6 33118 0.0426484877729731 (rank: 6) 0.000380108325302701 (rank: 6) 0.105902269818238 (rank: 7) 0.000380122203782775 (rank: 6) 0.011215290752655 (rank: 7) NA
8 33118 0.0426485226635516 (rank: 7) 0.00038010863491195 (rank: 7) 0.105902287198838 (rank: 8) 0.000380122513246989 (rank: 7) 0.0112152944339451 (rank: 8) NA
10 33118 0.0426485436264061 (rank: 8) 0.000380108820929484 (rank: 8) 0.105902297698954 (rank: 9) 0.000380122699176903 (rank: 8) 0.011215296657918 (rank: 9) NA
12 33119 0.0426493537761721 (rank: 27) 0.000380115900108286 (rank: 27) 0.10590138494997 (rank: 1) 0.00038012977225374 (rank: 27) 0.0112151033343218 (rank: 1) NA
15 33118 0.0426485716103186 (rank: 9) 0.000380109069248443 (rank: 9) 0.10590231178288 (rank: 10) 0.000380122947378337 (rank: 9) 0.0112152996409583 (rank: 10) NA
16 33118 0.042648575111004 (rank: 10) 0.000380109100312146 (rank: 10) 0.105902313550105 (rank: 11) 0.000380122978427294 (rank: 10) 0.0112153000152647 (rank: 11) NA
20 33118 0.0426485856166644 (rank: 11) 0.000380109193535116 (rank: 11) 0.105902318860763 (rank: 12) 0.000380123071605948 (rank: 11) 0.0112153011400866 (rank: 12) NA
24 33118 0.042648592623446 (rank: 12) 0.00038010925571035 (rank: 12) 0.105902322408687 (rank: 13) 0.000380123133751576 (rank: 12) 0.0112153018915535 (rank: 13) NA
30 33118 0.0426485996326372 (rank: 13) 0.000380109317906883 (rank: 13) 0.105902325962602 (rank: 14) 0.000380123195918453 (rank: 13) 0.0112153026442892 (rank: 14) NA
40 33118 0.0426486066442422 (rank: 14) 0.000380109380124752 (rank: 14) 0.105902329522509 (rank: 15) 0.000380123258106617 (rank: 14) 0.011215303398294 (rank: 15) NA
50 33118 0.0426486108523641 (rank: 15) 0.000380109417465717 (rank: 15) 0.105902331661329 (rank: 16) 0.000380123295429734 (rank: 15) 0.0112153038513061 (rank: 16) NA
60 33118 0.042648613658263 (rank: 16) 0.000380109442363975 (rank: 16) 0.105902333088407 (rank: 17) 0.000380123320316084 (rank: 16) 0.011215304153568 (rank: 17) NA
80 33118 0.042648617166181 (rank: 17) 0.000380109473491609 (rank: 17) 0.105902334873603 (rank: 18) 0.000380123351428821 (rank: 17) 0.0112153045316808 (rank: 18) NA
100 33118 0.0426486192712218 (rank: 18) 0.000380109492170753 (rank: 18) 0.105902335945441 (rank: 19) 0.000380123370099021 (rank: 18) 0.0112153047587011 (rank: 19) NA
120 33118 0.0426486206747044 (rank: 19) 0.000380109504624594 (rank: 19) 0.105902336660299 (rank: 20) 0.000380123382546897 (rank: 19) 0.0112153049101113 (rank: 20) NA
150 33118 0.0426486220782829 (rank: 20) 0.000380109517079284 (rank: 20) 0.105902337375397 (rank: 21) 0.000380123394995619 (rank: 20) 0.0112153050615723 (rank: 21) NA
200 33118 0.0426486234819581 (rank: 21) 0.000380109529534827 (rank: 21) 0.105902338090735 (rank: 22) 0.000380123407445194 (rank: 21) 0.0112153052130842 (rank: 22) NA
240 33118 0.0426486241843641 (rank: 22) 0.000380109535767624 (rank: 22) 0.105902338448495 (rank: 23) 0.000380123413675005 (rank: 22) 0.0112153052888596 (rank: 23) NA
300 33118 0.0426486248862209 (rank: 23) 0.000380109541995566 (rank: 23) 0.105902338806314 (rank: 24) 0.000380123419899961 (rank: 23) 0.0112153053646473 (rank: 24) NA
400 33118 0.0426486255881076 (rank: 24) 0.000380109548223772 (rank: 24) 0.105902339164192 (rank: 25) 0.000380123426125181 (rank: 24) 0.0112153054404475 (rank: 25) NA
600 33118 0.0426486262900156 (rank: 25) 0.000380109554452165 (rank: 25) 0.10590233952213 (rank: 26) 0.000380123432350587 (rank: 25) 0.0112153055162606 (rank: 26) NA
1200 33118 0.0426486269919462 (rank: 26) 0.00038010956068076 (rank: 26) 0.105902339880129 (rank: 27) 0.000380123438576195 (rank: 26) 0.0112153055920864 (rank: 27) NA

数据 : 二十七行 乘 八列

4.2.3 平滑周计

4.2.3.1 总汇二零一八年一月平滑周计结论

source('函数/总汇结论.R')
日内指数平滑数据二零一八年一月总汇 <- 日内指数平滑数据二零一八年上半年总汇[, 月份 := data.table::month(年月日时分)][月份 == 1]

数据量 <- 1200 ## 筛选数据中的最后千皕观测值:样本二零一八半年[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1
频率 = 1

#日内指数平滑数据二零一八年一月平滑周计结论 <- 总汇结论(总汇 = 日内指数平滑数据二零一八年一月总汇, 数据量, 频率, 预测时间单位, 时间索引, 文件名 = '日内指数平滑数据二零一八年一月平滑周计', 是否储存结论 = '勾')
日内指数平滑数据二零一八年一月平滑周计结论 <- readRDS(paste0(.蜀道仓库, '日内指数平滑数据二零一八年一月平滑周计结论.rds'))
## Error in gzfile(file, "rb"): 无法打开链结
## 这儿将精准度调整至30位数,round(..., 30)
日内指数平滑数据二零一八年一月平滑周计结论 %>% 
  dplyr::mutate(
    `均对误差(MAE)` = ifelse(
      rank(`均对误差(MAE)`) <= 3, 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对误差(MAE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对误差(MAE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均对百分比误差(MAPE)` = ifelse(
      rank(`均对百分比误差(MAPE)`) <= 3, 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均对百分比误差(MAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均对百分比误差(MAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方根误差(RMSE)` = ifelse(
      rank(`均方根误差(RMSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方根误差(RMSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方根误差(RMSE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `对称均对百分比误差(SMAPE)` = ifelse(
      rank(`对称均对百分比误差(SMAPE)`) <= 3, 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`对称均对百分比误差(SMAPE)`, 30), ' (rank: ', sprintf('%1.f', rank(`对称均对百分比误差(SMAPE)`)), ')'), 
        color = 'grey', italic = TRUE)), 
    
    `均方误差(MSE)` = ifelse(
      rank(`均方误差(MSE)`) <= 3, 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'darkgoldenrod', bold = TRUE), 
      cell_spec(
        paste0(round(`均方误差(MSE)`, 30), ' (rank: ', sprintf('%1.f', rank(`均方误差(MSE)`)), ')'), 
        color = 'grey', italic = TRUE))) %>% 
  kbl(caption = '最优计数模型(日内指数平滑数据二零一八年第四周结论)', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  row_spec(0, background = 'DimGrey', color = '#7B1113') %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  #column_spec(2, background = '#556DAC') %>% 
  column_spec(2, background = 'LightSlateGrey') %>% 
  column_spec(3, background = 'LightGray') %>% 
  column_spec(4, background = 'Gainsboro') %>% 
  column_spec(5, background = 'LightGray') %>% 
  column_spec(6, background = 'Gainsboro') %>% 
  column_spec(7, background = 'LightGray') %>% 
  column_spec(8, background = 'Gainsboro') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '500px')
## Error in eval(expr, envir, enclos): 找不到对象'日内指数平滑数据二零一八年一月平滑周计结论'

4.2.4 总结数据

估计是由于骇客人为篡改数据,导致总汇二零一六年结论总汇二零一七年结论显示误差完全一样,四个小数位的汇价的预测误差,有可能计算出十五个小数位(倘若以秒计,飞秒(fs))误差值一模一样吗?上几周骇客频频入侵电子仪器频率=12的数据,骇客人为篡改为多一个观测值汇价。

然而总汇结论(从二零一六年至二零一八年七月七日)总汇二零一八年上半年结论可以证实将再循环数据量参数设置为频率 = 1百分之一个时辰一周期(一分钟循环千皕次))误差最小、最为精准最优计数模型。为了节省科研时间,它日只需要使用半年汇价数据而非三年半数据。

5 计数建模

5.1 季节性指数平滑模型(Seasonal Exponential Smoothing - Seasonal ETS)

5.2 自回归综合滑均模型系列(ARIMA Series)

5.2.1 季节性数据建模ts()xts()zoo()msts()

5.2.1.1 自回归简介

ARIMA(p,d,q)模型中

  • p是自回归(AR)的项数,用来获取自变量
  • d是差分(I)的系数,为了使时间序列平稳
  • q是移动平均(MA)的项数,为了使其光滑

引用:ARIMA模型中的三个参数(p,d,q)都是什么意思?

运用SPSS 19.0软件中的相关模块进行数据处理和分析。本研究是以月份为时间单位的研究序列,故选择复合季节模型[5, 6]:ARIMA(p,d,q)(P,D,Q)s,参数p为非季节性自回归阶数,d为一般差分阶数,q为非季节性滑动平均阶数;P为季节性自回归阶数,D为季节差分阶数,Q为季节性移动平均阶数,s为季节模型的时间单位相应周期(本研究s=12)。

引用:北京市昌平区肺结核发病数ARIMA模型预测

Deriv.com - Interday High Frequency Trading Models Comparison Review (Part II)中,结论千皕分钟为最优数据量,故此我将数据量设置为(千皕分钟,也就是等于廿个交易小时),去预测下一分钟交易价格。然而如何灵活设置周期量与周期数、运用循环周期呢?在此尝试回测方能得以证实。

以下链接尝试比较:

5.2.1.2 ts

百分之一时辰一周期(一分钟循环千皕次)

# --------- eval = FALSE ---------
source('函数/季节性自回归自动化.R')
source('函数/整顿数据.R')

时间索引 <- unique(样本二零一八半年$日期)
基准 <- 样本二零一八半年[年份 == 2018]$日期[1]
时间索引 %<>% .[. >= 基准]
迭代基准 <- 样本二零一八半年[日期 %chin% 时间索引]$序列
数据量 <- 1200 #筛选数据中的最后千皕观测值:样本二零一八半年[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1
# 周期建模 <- c('ts', 'xts', 'zoo', 'mts')
周期建模 <- 'ts'
# .差分阶数 <- 0:2
.差分阶数 <- 0
# .季节性差分阶数 <- 0:1
.季节性差分阶数 <- 0
频率 = 1

季节性自回归自动化(
  时间索引 = 时间索引, 样本 = 样本二零一八半年, .差分阶数, 
  .季节性差分阶数, 数据量 = 数据量, 频率 = 频率, 
  周期建模 = 周期建模, 预测时间单位 = 预测时间单位)

# 整顿数据(频率, 文件名 = paste0('季节性自回归自动化_差分阶数', .差分阶数, '_季节性差分阶数', .季节性差分阶数, '_', 周期建模, 数据量), 是否移除文件夹 = '勾')

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1.rds")

5.2.1.3 xts

# --------- eval = FALSE ---------
source('函数/季节性自回归自动化.R')
source('函数/整顿数据.R')

时间索引 <- unique(样本二零一八半年$日期)
基准 <- 样本二零一八半年[年份 == 2018]$日期[1]
时间索引 %<>% .[. >= 基准] #length(时间索引) 156
# 时间索引 <- 时间索引[1:52]
# 时间索引 <- 时间索引[53:105]
# 时间索引 <- 时间索引[106:length(时间索引)]
迭代基准 <- 样本二零一八半年[日期 %chin% 时间索引]$序列
数据量 <- 1200 #筛选数据中的最后千皕观测值:样本二零一八半年[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1
# 周期建模 <- c('ts', 'xts', 'zoo', 'mts')
周期建模 <- 'xts'
# .差分阶数 <- 0:2
.差分阶数 <- 0
# .季节性差分阶数 <- 0:1
.季节性差分阶数 <- 0
频率 = 1

季节性自回归自动化(
  时间索引 = 时间索引, 样本 = 样本二零一八半年, .差分阶数, 
  .季节性差分阶数, 数据量 = 数据量, 频率 = 频率, 
  周期建模 = 周期建模, 预测时间单位 = 预测时间单位)

# 整顿数据(频率, 文件名 = paste0(.蜀道仓库, 文件名 = '季节性自回归自动化', 是否移除文件夹 = '叉')) #'勾')

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1.rds")

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1.rds")

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1.rds")

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1.rds")

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1.rds")

# 时间索引乙 <- unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1$年月日时分)[!unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1$年月日时分) %in% unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1$年月日时分)]

# 时间索引 <- 时间索引乙

5.2.1.4 zoo

# --------- eval = FALSE ---------
source('函数/季节性自回归自动化.R')
source('函数/整顿数据.R')

时间索引 <- unique(样本二零一八半年$日期)
基准 <- 样本二零一八半年[年份 == 2018]$日期[1]
时间索引 %<>% .[. >= 基准]
迭代基准 <- 样本二零一八半年[日期 %chin% 时间索引]$序列
数据量 <- 1200 #筛选数据中的最后千皕观测值:样本二零一八半年[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1
# 周期建模 <- c('ts', 'xts', 'zoo', 'mts')
周期建模 <- 'zoo'
# .差分阶数 <- 0:2
.差分阶数 <- 0
# .季节性差分阶数 <- 0:1
.季节性差分阶数 <- 0
频率 = 1

季节性自回归自动化(
  时间索引 = 时间索引, 样本 = 样本二零一八半年, .差分阶数, 
  .季节性差分阶数, 数据量 = 数据量, 频率 = 频率, 
  周期建模 = 周期建模, 预测时间单位 = 预测时间单位)

# 整顿数据(频率, 文件名 = paste0('季节性自回归自动化_差分阶数', .差分阶数, '_季节性差分阶数', .季节性差分阶数, '_', 周期建模, 数据量), 是否移除文件夹 = '叉')#'勾')

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1.rds")

5.2.1.5 msts

# --------- eval = FALSE ---------
source('函数/季节性自回归自动化.R')
source('函数/整顿数据.R')

时间索引 <- unique(样本二零一八半年$日期)
基准 <- 样本二零一八半年[年份 == 2018]$日期[1]
时间索引 %<>% .[. >= 基准] #length(时间索引) 156
# 时间索引 <- 时间索引[1:52]
# 时间索引 <- 时间索引[53:105]
# 时间索引 <- 时间索引[106:length(时间索引)]
迭代基准 <- 样本二零一八半年[日期 %chin% 时间索引]$序列
数据量 <- 1200 #筛选数据中的最后千皕观测值:样本二零一八半年[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1
# 周期建模 <- c('ts', 'xts', 'zoo', 'mts')
周期建模 <- 'msts'
# .差分阶数 <- 0:2
.差分阶数 <- 0
# .季节性差分阶数 <- 0:1
.季节性差分阶数 <- 0
频率 = 1

季节性自回归自动化(
  时间索引 = 时间索引, 样本 = 样本二零一八半年, .差分阶数, 
  .季节性差分阶数, 数据量 = 数据量, 频率 = 频率, 
  周期建模 = 周期建模, 预测时间单位 = 预测时间单位)

# 整顿数据(频率, 文件名 = .蜀道仓库, 文件名 = '季节性自回归自动化', 是否移除文件夹 = '叉')#'勾')

# 整顿数据(频率, 文件名 = paste0('季节性自回归自动化_差分阶数', .差分阶数, '_季节性差分阶数', .季节性差分阶数, '_', 周期建模, 数据量), 是否移除文件夹 = '勾')

# 季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1 <- readRDS("/home/englianhu/文档/猫城/binary.com-interview-question-data/诸子百家学府/fx/USDJPY/仓库/季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1.rds")

5.2.1.6 季节性数据建模小结

# 蜀道
if (!exists('.蜀道')) {
  .蜀道 <- getwd() |> 
    {\(.) str_split(., '/')}() |> 
    {\(.) c('/', .[[1]][2:5])}() |> 
    {\(.) c(., 'binary.com-interview-question-data/')}() |> 
    {\(.) paste(., collapse = '/')}() |> 
    {\(.) substring(., 2)}()
}
if (!exists('.蜀道仓库')) .蜀道仓库 <- paste0(.蜀道, '诸子百家学府/fx/USDJPY/仓库/')

# ts
季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1 <- readRDS(paste0(.蜀道仓库, '季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1.rds'))

# xts
季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1 <- readRDS(paste0(.蜀道仓库, '季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1.rds'))

# zoo
季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1 <- readRDS(paste0(.蜀道仓库, '季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1.rds'))

# msts
季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1 <- readRDS(paste0(.蜀道仓库, '季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1.rds'))

# 组合数据
# 自回归综合滑均模型系列 <- bind_cols(list(季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1))

# 筛选数据重命名预测价
# 自回归综合滑均模型系列 <- 自回归综合滑均模型系列[, c(1:3, 6, 9, 12)]
# setnames(自回归综合滑均模型系列, old = c('年月日时分...1', '市场价...2', '预测价...3', '预测价...6', '预测价...9', '预测价...12'), new = c('年月日时分', '市场价', 'ts', 'xts', 'zoo', 'msts'))
# 自回归综合滑均模型系列[, c('ts精准率', 'xts精准率', 'zoo精准率', 'msts精准率') := .(Metrics::accuracy(市场价, ts), Metrics::accuracy(市场价, xts), Metrics::accuracy(市场价, zoo), Metrics::accuracy(市场价, msts))]

自回归综合滑均模型系列 <- list(unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1[, ':='(
    自回归模型 = 'ts', 
    MAE = MLmetrics::MAE(y_true = 市场价, y_pred = 预测价), 
    MAPE = MLmetrics::MAPE(y_true = 市场价, y_pred = 预测价), 
    RMSE = MLmetrics::RMSE(y_true = 市场价, y_pred = 预测价), 
    SMAPE = Metrics::smape(actual = 市场价, predicted = 预测价), 
    MSE = MLmetrics::MSE(y_true = 市场价, y_pred = 预测价), 
    年月日时分 = NULL, 市场价 = NULL, 预测价 = NULL)]), 
  unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1[, ':='(
    自回归模型 = 'xts', 
    MAE = MLmetrics::MAE(y_true = 市场价, y_pred = 预测价), 
    MAPE = MLmetrics::MAPE(y_true = 市场价, y_pred = 预测价), 
    RMSE = MLmetrics::RMSE(y_true = 市场价, y_pred = 预测价), 
    SMAPE = Metrics::smape(actual = 市场价, predicted = 预测价), 
    MSE = MLmetrics::MSE(y_true = 市场价, y_pred = 预测价), 
    年月日时分 = NULL, 市场价 = NULL, 预测价 = NULL)]), 
  unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1[, ':='(
    自回归模型 = 'zoo', 
    MAE = MLmetrics::MAE(y_true = 市场价, y_pred = 预测价), 
    MAPE = MLmetrics::MAPE(y_true = 市场价, y_pred = 预测价), 
    RMSE = MLmetrics::RMSE(y_true = 市场价, y_pred = 预测价), 
    SMAPE = Metrics::smape(actual = 市场价, predicted = 预测价), 
    MSE = MLmetrics::MSE(y_true = 市场价, y_pred = 预测价), 
    年月日时分 = NULL, 市场价 = NULL, 预测价 = NULL)]), 
  unique(季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1[, ':='(
    自回归模型 = 'msts', 
    MAE = MLmetrics::MAE(y_true = 市场价, y_pred = 预测价), 
    MAPE = MLmetrics::MAPE(y_true = 市场价, y_pred = 预测价), 
    RMSE = MLmetrics::RMSE(y_true = 市场价, y_pred = 预测价), 
    SMAPE = Metrics::smape(actual = 市场价, predicted = 预测价), 
    MSE = MLmetrics::MSE(y_true = 市场价, y_pred = 预测价), 
    年月日时分 = NULL, 市场价 = NULL, 预测价 = NULL)])) |> 
  bind_rows() |> 
  dplyr::mutate(自回归模型 = factor(自回归模型))
# saveRDS(自回归综合滑均模型系列, file = paste0(.蜀道仓库, '自回归综合滑均模型系列_ts_xts_zoo_msts.rds'))
rm(季节性自回归自动化_差分阶数0_季节性差分阶数0_ts1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_xts_数据量1200_频率1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_zoo1, 季节性自回归自动化_差分阶数0_季节性差分阶数0_msts_数据量1200_频率1)

data.frame(自回归综合滑均模型系列)
##   自回归模型                       MAE                        MAPE                      RMSE                       SMAPE                        MSE
## 1         ts 0.02603076580219479754796 0.0002397266206088211981749 0.03532246786953409378729 0.0002397207766761443937294 0.001247676736394268343436
## 2        xts 0.02603076580219479754796 0.0002397266206088211981749 0.03532246786953409378729 0.0002397207766761443937294 0.001247676736394268343436
## 3        zoo 0.02603076580219479754796 0.0002397266206088211981749 0.03532246786953409378729 0.0002397207766761443937294 0.001247676736394268343436
## 4       msts 0.02603076580219479754796 0.0002397266206088211981749 0.03532246786953409378729 0.0002397207766761443937294 0.001247676736394268343436

一般上可以顺序根据MASE,然后MAE,接着MSE来评估筹算出来的算卜(预测值)的精准度。以上自回归模型分别比较了tsxtszoomsts季节性数据建模后,得到一样的结果,故此就不区分使用那种计数模型来建立季节性数据。

6 道家计数建模

6.1 杏林林氏西河堂

6.1.1 杏林简介

从北京(三国时期称为「北平」,统计之都、经管之家)到成都(三国时期蜀国国都称为「蜀都」,而礼逆袭操作系统最高权限是sudo su建立蜀都;在天愿做比翼鸟,在地愿做连理枝。)

直到所有的灯都熄灭了也不停留… 🎶

目前正在自修并着手栽种一些杏林(中药/中药食谱/中医)夏季菇/鸡纵菇(食用菌类,改天再栽种多元化杏林,如灵芝、罗汉果、松茸与人参等),直到「非诚勿扰」所有的灯都熄灭了,我还是一颗孤军作战、独自一人、力争上游的精子… 它日杏林可以建立金融商品市场、杏林道家算卜与保险业、农业、杏林保健、杏林医学、杏林药材与咱们道家易经、世纪大革命。

#秦灭六洲,一统天下;
#莫忘初衷,方得始终。

《商君书》之“帝道”、“王道”、“霸道”为咱们秦国奠定一个一统天下的稳定基础,直到世袭制道教徒秦王嬴政(十二生肖、姓氏堂号子嗣贞节牌坊)的功勋超越历代三黄五帝,史称秦始皇。

「世袭制法家回教徒蕲年宫之变、安史之乱,集体朗诵可兰经—楚歌」
借鉴斩首、石刑、截肢…阿富汗“伊斯兰教法”或将重现酷刑,内部处分阿里巴巴、淘宝、腾讯、百度等所有背叛世袭制道家姓氏堂号子嗣贞节牌坊的商家、头戴白色女假发的世袭制法家司法界包括男同志美国国父瓦盛顿把洋番基督耶稣一律钉在十字架、大宝森节和屠妖节习俗文化种族灭绝印度裔兴都教徒、瓜雪RHU(淮西派)花园加德士油站隔壁第三巷门牌卅二号边抽鼻涕边求命边膜拜边失心疯边自残自虐自杀的土司乩童刘瑾貹、瓜雪巴西不能帮门牌T十五号吱吱吾语的失心疯猥亵淫魔土司乩童张佳坤、那些世袭制法家可兰经回教徒自杀式冒充咱们世袭制道家中华民族是触犯可兰经回教刑事法典断肢法,马航所有世袭制法家回教徒公仆、瓜雪回教警署、瓜雪回教市政局、瓜雪回教土地局、四季仔的印尼外劳回教徒房客、阿塔的孟加拉外劳回教徒房客、峇峇娘惹的可兰经的习俗文化宗教语言断肢法!世袭制法家回教徒的可兰经习俗文化宗教语言断肢法,学习或参与使用任何外文学术数学算卜概率论博弈论、习俗文化宗教语言、吃猪肉喝酒抽烟、色情尤其是传宗接代(公元前没有人工受孕的科学技术下立下的世袭制法家回教徒的千年可兰经习俗文化宗教语言断肢法)、女回教徒就连抛头露面出外更何况是工作、女回教徒裸露鼻子嘴巴耳朵手臂脚、勾引、迷魂、巫术降头、持有任何武器、冒充他族或其它宗教教徒、叛乱、判教等甚至活命,都是触犯法家立下的千年可兰经回教刑事法典断肢法。

6.1.2 杏林与操作系统

目前市场充斥着许多外来语甚至不翻译直接使用洋文术语。洋文Computer是代表计算器而中译为白话文「计算机」或古文「算筹」,至于咱们平时所说的「电脑」应该英译为「Electronic Brain」,平时所说的个人电脑Personal Computer缩写PC与女生生殖器官Pussy近音。操作系统终端一般上称之为“Shell”,故此翻阅一些相关文献如下:

西施舌,学名Hiatula diphos(很多标注学名Mactra antiquata,其实是指西施马珂蛤),又名双线紫蛤,俗称西刀舌,福建、江苏、浙江叫海蚌,台港澳叫西施舌,英文叫Diphos Sanguin,是帘蛤目/紫云蛤科/西施舌属的一种。

外形特点:个体较大,长度能达一百毫米以上,呈长椭圆形。

广泛分布于印度洋、太平洋,包括南海周边国家、中国大陆和台湾、朝鲜半岛等,福建长乐漳港一带最为著名,故又称为“漳港海蚌”;生活于潮间带下区及浅海沙滩,埋栖深度圆毫米至进毫米。

肉质脆嫩,滋味鲜美,营养丰富,是盛名远播的筵席佳肴,人民大会堂国宴膳品。

台湾曾发生西施舌中毒事件,导致两人死亡,造成西施舌价格暴跌,但现在又很贵了,例如漳港海蚌一个大概是皕多元。

“鸡汤汆cuan海蚌”是与“佛跳墙”齐名的闽菜;在福建等地方吃饭,如果叫西施舌这道菜,通常上的是西施马珂蛤,古代叫车螯。

Tips:西施舌Hiatula diphos和西施马珂蛤Mactra antiquata并不同科,台湾叫西施舌的中国叫西施马珂蛤,中国叫西施舌的台湾叫西施马珂蛤,港澳叫贵妃蚌。

出处:关于各种贝类的名字、区别、产地、吃法(上)

… 说到(),其实是一个非常大的概念,因为在水产摊位上能见到的相当一部分贝类都可以笼统地被叫做“蛤蜊”。在一些语境下,“蛤蜊”这个词甚至可以指代所有贝类…

出处:蛤、蚌、蚶、蚬… 菜市场里的贝壳你都认识吗?

蚌和蚝
(bàng)和蚝其实没有什么紧密的关系,之所以放在一起说,是因为很多小伙伴认识这两种贝类都是在语文书上,一个是《鹬蚌相争》,另一个是《我的叔叔于勒》。

(bàng),一般指蚌目下的各种淡水贝类,常见的有三角帆蚌、圆顶珠蚌等,它们常被笼统地称作“河蚌”。河蚌虽然可以吃,但烹饪河蚌要求厨师对火候和做菜水平都有比较高的要求。一般来说,我们在市场的水产摊位很少能见到以食用为目的出售的河蚌,更多的则是在各个景区被冠以“现场取珠”噱头出售的养殖河蚌…

(xiǎn)肉营养丰富,既可鲜食,可制蚬干和罐头,也可入药,有开胃、通乳、明目、利小便、治脚气、去湿毒及醒酒的功效,还可治疗肝病、麻疹退热等…

河蚬
河蚬其实并不少见,不过在菜市场一般没有单独出售,偶尔会混在螺蛳里。除了河蚬,在海南的菜市场有时候还会有另一种蚬,就是红树蚬…

出处:「问百度」(xiǎn)

历史记载

入药始载于《神农本草经》,列为上品。《蜀本草》:“又名蕚蛎,形短不入药用。”《本草图经》云:“(牡蛎)海中蚌属,今莱州昌阳县海中多有。二月、三月采之。”《本草图经》:“(牡蛎)今海旁皆有之,而南海、闽中及通泰间尤多。此物附石而生,磈礧相连如房,故名蛎房,一名蠔山,晋安人呼为蠔莆。初生海边才如拳石,四面渐长有一二丈者,崭岩如山,每一房内有蠔肉一块,肉之大小随房所生,大房如马蹄,小者如人指面,每潮来则诸房皆开。”根据以上所述形态、生活环境及产区考证,古人所用牡蛎为今之牡蛎科多种动物…

出处:「问百度」()()

综合以上所述,与杏林中药材相关的贝类叫「牡蛎」(也称「生蚝」)。

6.1.2.1 子宫与皇宫

  • 中华古代婚礼,花冠与苗族(万物皆有灵,取代回教徒)

6.1.3 道家时间计量单位(中国古代计时法)

6.1.3.1 天文历法(干支纪年 / 纪元法)

十天干

(天干 <- c('甲', '乙', '丙', '丁', '戊', '己', '庾', '辛', '壬', '癸'))
##  [1] "甲" "乙" "丙" "丁" "戊" "己" "庾" "辛" "壬" "癸"

十二地支

(地支 <- c('子', '丑', '寅', '卯', '辰', '巳', '午', '未', '申', '酉', '戌', '亥'))
##  [1] "子" "丑" "寅" "卯" "辰" "巳" "午" "未" "申" "酉" "戌" "亥"

六十甲子与天干地支

干支 <- paste0(rep(天干, 6), rep(地支, 5))
干支 |> 
  matrix(nrow = 12, dimnames = list(
    地支, paste0(天干[1:5], 天干[6:10])))
##    甲己   乙庾   丙辛   丁壬   戊癸  
## 子 "甲子" "丙子" "戊子" "庾子" "壬子"
## 丑 "乙丑" "丁丑" "己丑" "辛丑" "癸丑"
## 寅 "丙寅" "戊寅" "庾寅" "壬寅" "甲寅"
## 卯 "丁卯" "己卯" "辛卯" "癸卯" "乙卯"
## 辰 "戊辰" "庾辰" "壬辰" "甲辰" "丙辰"
## 巳 "己巳" "辛巳" "癸巳" "乙巳" "丁巳"
## 午 "庾午" "壬午" "甲午" "丙午" "戊午"
## 未 "辛未" "癸未" "乙未" "丁未" "己未"
## 申 "壬申" "甲申" "丙申" "戊申" "庾申"
## 酉 "癸酉" "乙酉" "丁酉" "己酉" "辛酉"
## 戌 "甲戌" "丙戌" "戊戌" "庾戌" "壬戌"
## 亥 "乙亥" "丁亥" "己亥" "辛亥" "癸亥"

農曆,又稱舊曆,這是因為孫文希望能廢除過去帝王身為天子代表天頒訂天時的震旦歷朝曆法,把它貶為舊,孫文主張:「新曆新年為民國的新年,為共和國家的新年。舊曆新年為君主時代的新年,為專制國家的新年。」

孫文主張應該徹底廢除農曆,改用格列高里曆,也就是俗稱西曆、孫文口中的新曆、中華民國建國(即現代中國之始,台灣當時為日本時代)後以之為標準曆法稱之為國曆…你說嚇一跳,怎麼會中國的國曆是西曆,不是農曆才是中國的代表嗎?

其實清代的農曆本來也早就是西曆,這源自於明朝末年崇禎年代

整個明朝沿用元朝的《授時曆》只是改個名字叫《大統曆》,總加起來使用時間到崇禎年間已經經歷將近350年,由於授時曆不考慮地球自轉軸會受到太陽月亮與各大行星的重力影響產生的「進動」歲差,所以累積誤差,日食的時間都算錯,這可是會天命動搖,老百姓會以為是「德不配位」不配當天子所以上天示警讓日食時間跑掉…

傳教士湯若望帶來的西曆卻輕鬆準確算準,於是徐光啟就趁機提出修改曆法,編修過程由湯若望為首的一眾耶穌會教士協助引進歐洲天文學家哥白尼、伽利略、第谷、克卜勒等人的天文學理論,主要採用第谷的理論,於1634年編修完成,但是當然引進「夷狄」之論讓明朝士大夫很感冒,崇禎也對此很謹慎,直到1643年,中間經歷日月食與行星位置的檢驗,西曆都是準,授時曆都偏差,崇禎確定西曆才是正確的,準備要實施,稱之為《崇禎曆書》,曆法名為《時憲曆》,不過1644年,崇禎跟明朝就不存在了

明朝滅亡,崇禎身死,但是湯若望還是繼續工作,清世祖愛新覺羅福臨,也就是順治帝,把湯若望繼續完成的曆書,稱之為《西洋新法曆書》,於1645年頒行,到清高宗弘曆,也就是乾隆帝,因為名字有曆就不准別人用,避諱,所以改名叫《西洋新法算書》沿用至今,就是現在的農曆的根源

所以農曆其實是「西曆」…《西洋新法曆書》

農曆也常被稱為陰曆。所謂陰曆或陽曆,是指曆法主要看月亮 = 太陰,還是看太陽,看太陰就叫陰曆,看太陽就叫陽曆,兩者都看則為陰陽合曆。其實慣常的稱呼有基本錯誤,農曆不是陰曆,是同時考慮月亮太陽的陰陽合曆

自古以來人類就仰望天空來判斷時間,月亮是很好的指標,因為固定圓缺變化,採用陰曆的話,一看天上的月亮就知道今天是哪一天,可以想見你帶著一堆文盲也沒有紙筆出門打仗,大家約定月圓的時候到哪集合就沒問題了,所以對戰爭民族很有用;另一方面月亮與潮汐直接相關,所以航海民族也通常採用陰曆

農耕民族則要準確的掌握季節,否則播種時間不對可是會出大包,所以通常傾向太陽曆,另外像古埃及因為每年尼羅河有固定氾濫季節需要搞清楚,所以出現可能是人類最早的太陽曆。由此可知農曆既然叫農曆也就是農業用的,不可能是陰曆

陰曆的問題是,一個圓缺循環大約29.5天,一個太陽年約365.2422天,顯然沒辦法整除,假設我們用29、30間隔為一個月,一年12個月,還差11天,照純陰曆繼續下去的話,10年就差了110天,春天都變夏天了。自古以來全世界的人類都要解決怎麼把月塞到年裡面去的數學問題

羅馬人身為沒事就要出去打人的戰鬥民族,使用陰曆也是很合理的,那數學問題怎辦?一開始,他們用簡單粗暴的辦法處理:冬天不設月份啦,每年用冬天的時間來自由調整囉~~~

所以羅馬曆最初只有十個月,第一個月就是春天雪融了終於可以去開戰打人囉,戰神月,戰神 Mars => March 現在的3月,其實本來是1月。之後依次是美神月、母神月、天后月,再過來懶得找神了就直接數數,第五月到第十月

但是羅馬也是農耕民族,曆法還是要符合節氣,所以終究改為陰陽合曆,把本來不管的冬天要加兩個月分進去,也因此就有煩死人的閏月數學問題,總之,一開始先在戰神月之前加了代表和平的門神月,表示羅馬可以戰爭與和平兼顧,羅馬不喜歡偶數,但最後還是有個月份是偶數,不吉利,就說用來當淨化月,放在最後一個月,後來改為拿來插到門神月與戰神月之間,也就是現在的2月,門神月就成為現在的1月

曆法閏月閏日方式都是由大司祭來宣布的,到凱撒當大司祭的時候,因為跑去打高盧,回來又跟龐培打內戰,都沒辦法在羅馬宣布,等到他終於打完仗,曆法早就亂七八糟,既然都完蛋了,剛好整個重建,凱撒拋棄了過去的陰陽合曆,建立完全太陽曆的儒略曆,儒略 = Julius 就是凱撒的氏族名,基本上大概就是現在陽曆的運作方式,每4年2月有29日

太陽曆完全脫離對照月亮圓缺,所以新月滿月現在每個月都在不同天

凱撒遇刺後,安東尼為了紀念凱撒,把他出生月份第五月改為儒略月,英文化July,也就是現在的7月

屋大維比較厚臉皮,他一統羅馬後稱號「聖君」奧古斯都,發起公民投票,說第六月為了紀念改名為奧古斯都月,大家覺得厚無厚啊? 想也知道高票通過,於是第六月就改成奧古斯都月,英文化August,也就是現在的8月

儒略曆一直沿用到16世紀,累積了很多誤差,於是教宗格列高里下令對儒略曆做曆法修正,奠定今日使用的格列高里曆。差別在於每4年一閏的規則上加上:每百年不閏,四百年才閏,如此一來年平均365.2425日,就只剩0.0003要微調,非常聰明

格列高里曆於1582頒行,1618年湯若望自葡萄牙啟程,把格列高里曆及其基礎的天文學帶去大明帝國,也就造就了農曆是西曆的微妙故事

出处:「元宇宙」農曆

有关农历与二十四节气,目前正在自修中科红旗之礼逆袭红旗操作系统,会先将曦与曦佳佳编程语言翻译为咱们中文编程附上拼音(李斯篆书),再提升为文言文及古文编程、日期均以农历与咱们中华五千多年习俗文化道教为主,它日再研发「大秦赋」操作系统,欲知更多详情请查阅「猫城」雷欧/中科红旗「猫城」雷欧/图书馆天干地支纪年法,天干地支五行对照表叙述一些有关天文历法、天干地支纪年、纪月、纪日、纪时、时辰、十二生肖和生辰八字。

6.1.3.2 十二时辰对照

时辰 雅称 其它雅称 十二时辰对照 生肖 打更
子时 夜半 子夜 夜晚十一点钟 至 午夜 一点钟 鼠时 三更
丑时 鸡鸣 荒鸡 午夜 一点钟 至 凌晨 三点钟 牛时 四更
寅时 平旦 黎明、早晨、日旦 凌晨 三点钟 至 黎明 五点钟 虎时 五更
卯时 日出 日始、破晓、旭日 黎明 五点钟 至 早晨 七点钟 兔时
辰时 食时 早食、朝食 早晨 七点钟 至 上午 九点钟 龙时
巳时 隅中 日隅 上午 九点钟 至 上午十一点钟 蛇时
午时 日中 日正、中午 上午十一点钟 至 中午 一点钟 马时
未时 日跌 日央 中午 一点钟 至 下午 三点钟 羊时
申时 晡时 日铺、夕食 下午 三点钟 至 下午 五点钟 猴时
酉时 日入 日落、日沉、傍晚 下午 五点钟 至 傍晚 七点钟 鸡时
戌时 黄昏 日夕、日暮、日晚 傍晚 七点钟 至 黄昏 九点钟 狗时 一更
亥时 人定 定昏 黄昏 九点钟 至 夜晚十一点钟 猪时 二更

引用:下午四点是什么时辰?

古代的更是按时间算的,旧时打梆子或敲锣巡夜报时(一夜分为五更,每更约两小时)。

时间生活作息 时辰 打更人敲锣报时口号
傍晚 七点钟 至 黄昏 九点钟 戌时一更 天干物燥,小心火烛。
黄昏 九点钟 至 夜晚十一点钟 亥时二更 关门关窗,防偷防盗。
夜晚十一点钟 至 午夜 一点钟 子时三更 平安无事。
午夜 一点钟 至 凌晨 三点钟 丑时四更 天寒地冻。
凌晨 三点钟 至 黎明 五点钟 寅时五更 早睡早起,保重身体。

注:此处「(jing)」在古汉语中读「jing」。

引用:时辰 - 中国古代计时单位打更 - 中国古代民间的一种夜间报时制度

古代如何区分十二时辰中某个时段究竟是几点钟呢?就以「初、中、末」来区分,比方说:

由于一个时辰等于百廿分钟,每个时辰初中末三阶段各别将会是卌分钟(百廿分钟 除以 三)。

  • 下午三点零 一秒 至 三点卌分 = 申时初
  • 下午三点卌分零一秒 至 四点廿分 = 申时中
  • 下午四点廿分零一秒 至 五点钟正 = 申时末

引用:申时中是几点?

时辰 生肖 时间(小时) 时辰初中末对照
子时 鼠时 夜晚十一点 零一秒 至 夜晚十一点卌分 子时初
子时 鼠时 午夜十一点卌分零一秒 至 午夜十二点廿分 子时中
子时 鼠时 午夜十二点廿分零一秒 至 午夜 一点钟正 子时末
丑时 牛时 凌晨 一点 零一秒 至 凌晨 一点卌分 丑时初
丑时 牛时 凌晨 一点卌分零一秒 至 凌晨 二点廿分 丑时中
丑时 牛时 凌晨 二点廿分零一秒 至 凌晨 三点钟正 丑时末
寅时 虎时 凌晨 三点 零一秒 至 凌晨 三点卌分 寅时初
寅时 虎时 凌晨 三点卌分零一秒 至 凌晨 四点廿分 寅时中
寅时 虎时 凌晨 四点廿分零一秒 至 凌晨 五点钟正 寅时末
卯时 兔时 黎明 五点 零一秒 至 黎明 五点卌分 卯时初
卯时 兔时 黎明 五点卌分零一秒 至 黎明 六点廿分 卯时中
卯时 兔时 黎明 六点廿分零一秒 至 黎明 七点钟正 卯时末
辰时 龙时 早晨 七点 零一秒 至 早晨 七点卌分 辰时初
辰时 龙时 早晨 七点卌分零一秒 至 早晨 八点廿分 辰时中
辰时 龙时 上午 八点廿分零一秒 至 上午 九点钟正 辰时末
巳时 蛇时 上午 九点 零一秒 至 上午 九点卌分 巳时初
巳时 蛇时 上午 九点卌分零一秒 至 上午十 点廿分 巳时中
巳时 蛇时 上午十 点廿分零一秒 至 上午十一点钟正 巳时末
午时 马时 上午十一点 零一秒 至 上午十一点卌分 午时初
午时 马时 中午十一点卌分零一秒 至 中午十二点廿分 午时中
午时 马时 中午十二点廿分零一秒 至 中午 一点钟正 午时末
未时 羊时 下午 一点 零一秒 至 下午 一点卌分 未时初
未时 羊时 下午 一点卌分零一秒 至 下午 二点廿分 未时中
未时 羊时 下午 二点廿分零一秒 至 下午 三点钟正 未时末
申时 猴时 下午 三点 零一秒 至 下午 三点卌分 申时初
申时 猴时 下午 三点卌分零一秒 至 下午 四点廿分 申时中
申时 猴时 下午 四点廿分零一秒 至 下午 五点钟正 申时末
酉时 鸡时 傍晚 五点 零一秒 至 傍晚 五点卌分 酉时初
酉时 鸡时 傍晚 五点卌分零一秒 至 傍晚 六点廿分 酉时中
酉时 鸡时 傍晚 六点廿分零一秒 至 傍晚 七点钟正 酉时末
戌时 狗时 黄昏 七点 零一秒 至 黄昏 七点卌分 戌时初
戌时 狗时 黄昏 七点卌分零一秒 至 黄昏 八点廿分 戌时中
戌时 狗时 晚上 八点廿分零一秒 至 晚上 九点钟正 戌时末
亥时 猪时 晚上 九点 零一秒 至 晚上 九点卌分 亥时初
亥时 猪时 夜晚 九点卌分零一秒 至 夜晚十 点廿分 亥时中
亥时 猪时 夜晚十 点廿分零一秒 至 夜晚十一点钟正 亥时末

欲知更多详情,请查阅:

… 东汉末年,二十岁的曹操初出茅庐,担任的官职为洛阳北部都尉,相当于首都副县级公安局长职位,负责管理京城洛阳及北部郊区的治安。

当时的社会就有了宵禁制度,据史书记载,曹操刚刚担任洛阳北部都尉,就乱棍打死了一个违反宵禁制度的人,此人还是朝中很有权势的一个太监的叔叔,曹操也因此事得罪了这些宦官,从而被朝廷贬离了都城。

古代夜晚的街道上,除了打更人之外,很少能看到行人出没,这便是古代宵禁制度的影响。

生活在没有遍地钟表的古代,夜晚时分的打更人便显得极为重要,这是中国古代民间的一种夜晚报时方式,共分为五更,五更一过,人们便可以早早起床了…

但其实除了十二时辰之外,古人还有一种计时方式,那便是“百刻制”。所谓「百刻制」指的就是一天等于一百刻,这就是古人常说的「一刻钟」,很多人都认为古代的「一刻钟」等于现代的十五分钟,其实这是一种错误的理解…

二、「一刻钟、一炷香、一盏茶」分别指多长时间? 前文中我们提到了古代的百刻制,意思就是古人将一天的时间,分为了一百刻,其中一刻钟相当于现代的十四分廿四秒,一直到了清朝初期时,才将「百刻制」减为桦六刻,这便是「一刻钟」等于现代的十五分钟的由来…

而「一盏茶」的功夫,所指的时间就要更快一些了,这没有具体的时间规定,只是从人们端起茶碗开始,到最后一饮而尽结束,这其中的过程,便是「一盏茶」的功夫。

我们中国人酷爱喝茶,尤其是刚刚泡好且有些烫口的茶水,很多人都会边吹边慢慢饮茶,等到茶水差不多不是那么烫了,最终便会一饮而尽,这其中的过程,便是一盏茶的功夫。

细细算来,「一刻钟、一炷香、一盏茶」中,时间最短的便是「一盏茶」,不过也要根据天气的变化来衡量,如夏天茶水凉的慢,时间就久一些,但也不会超过十五分钟;冬天天气寒冷,喝热水就更快了,连十分钟都用不了。

综上所述,古人常说的「一刻钟」相当于现代的十四至十五分钟,「一炷香」相当于现代的卅分钟,也就是古人所说的两刻钟;而「一盏茶」的时间就更短了,约等于八至十二分钟。

其实古人弄出这些计算时间的说法,并没有要给它们精确,只是在日常生活中普遍的一种计时方式,就比如我们日常生活中所说的一上午时间、一下午时间、一顿饭时间等等,因为这些都是生活中的常识,即使不精确,人们听到后也能知晓大概的时间,如此方能做到心中有数。

引用:「原创」古人常说的:“一刻钟、一炷香、一盏茶”,分别指多长时间?

题外话:“刹那”是多久? 在文章的最后,青年君想用很短的时间和大家稍微唠一唠「很短的时间」——刹那。

刹那是古印度佛教术语,也是时间度量单位,表示一念之间的极短时间,随佛教传入中国。据《摩诃僧祇律》记载:“须臾者,二十念名一瞬顷,二十瞬名一弹指,二十弹指名一罗豫,二十罗豫名一须臾。日极长时有十八须臾,夜极短时有十二须臾;夜极长时有十八须臾,日极短时有十二须臾。”

一日一夜有卅个须臾,六百个罗豫,一万两千个弹指,廿四万个「瞬间」,四百枯万个「刹那」。据此推算——

「须臾」是卌八分钟 「罗豫」是两分钟廿四秒 「弹指」是七点二秒 「瞬顷」是三百圆厘秒 「刹那」是十八厘秒

我国古代形成的完整的计时方法和计时制度,是古人在探索时间计量方式上取得的进步、是智慧的结晶。当然,无论如何度量时间,一天就只有廿四小时。盛年不重来,一日难再晨。及时当勉励,岁月不待人。只要我们能善用时间,就永远不愁时间不够用。忘掉今天的人,也终将被明天忘掉。

引用:「十二时辰」简史

#古人对时间的别名雅称 在阅读武侠小说时,我们经常会遇到“一炷香”的时间单位,这不禁让人好奇:一炷香到底有多长时间呢? 今天,就让我们一起探索古人使用的这些时间的别称和雅称,以及这些时间单位实际上代表的具体时长。 #古人时间 #时间 #一炷香 #一盏茶 #一时辰 #大树出版社 #马文化

古人时间 时间计量单位
一炷香 卅分钟
一盏茶 十分钟
一刻钟 十五分钟
一时辰 两小时
一须() 卌八分钟
一刹那 十八毫秒
一瞬间 卅六厘秒
一岁 一年
一旬 十年(年龄)
一旬 十天(时间)

出处:古人对时间的别名雅称

… 如果与现代时间(一昼夜为廿四小时)对比,一刹那只有零点零一八秒、一瞬间为零点三六秒、一弹指为七点二秒、一罗预为百卌四秒、一须臾为卌八分钟。

一日一夜=卅须臾=六百罗预=万二弹指=廿四万瞬间=四圆万刹那

我们可以看出来,虽然刹那、瞬间、弹指、须臾都是形容时间的短暂,但是从时间长短上来看:“一刹那”<“一瞬间”<“一弹指”<“一须臾”

另外,古人经常说的“一盏茶”的时间,“一炷香”的时间究竟是多久的时间呢?

一盏茶语出《僧祇律》,顾名思义一盏茶指喝一碗茶的时间,从端上来开始,然后慢慢品尝,一饮而尽,其实就是一碗茶凉到可以入口的程度所用的时间。夏天要十五分钟,冬天十分钟都用不了。所以一盏茶有十分钟或者十四点四分钟两种说法。为什么出现十四点四这个数字?因为古人将一昼夜廿四小时为百刻,即一天有千四卌分钟,每刻就相当于现在的十四点四分钟。

至于“一炷香”究竟是多长时间?大致有三种说法,一种认为“一炷香”是卅分钟;第二种认为“一炷香”等于一小时;第三种认为“一炷香”只有五分钟。

出处:一刹那、一瞬间、一弹指、一须臾、一盏茶、一炷香是指多长时间?

欲以古代计时法来精准筹算咱们「一炷香」和「一盏茶」的话,就得使用隐马尔可夫链模型或其它计数模型筹算气温、空气湿度、空气流动风速、空气中的氢气成分等各种因素可以设置精准到飞秒(fs,十五个小数位)或更精准时间计量单位。

时间单位,是七种基本单位之一,长度、时间、质量、物质的量、光照度、电流 和(热力学)温度 是七种基本单位…

出处:时间单位,是七种基本单位之一

6.1.3.3 十二生肖

从满洲到星洲,从鼻祖暨耳孙。论生肖的「演化史」,先秦时已有相关记载:

十二生肖都咋来的?为啥鼠是第一个?怎么没猫?,如果有留意十二生肖中,只有龙(飞蜥3)是神话的三栖动物而非其余十一个生肖现实生活中的动物,蛇是两栖动物可以潜水和活在水里而其余的都是陆上动物。

《世袭制道家姓氏堂号子嗣,朱砂痣与贞节牌坊》
世风日下,人心不古;
风花雪月,荒淫无道。
莘莘学子,赤子之心;
修身齐家,天下归心。

引用:经典回顾之QQ爱

借鉴礼逆袭的Root最高权限,诠释为咱们中华道家十二生肖(秦人牧马、燕从京来、良禽择木而栖)「在天愿做比翼鸟,在地愿做连理枝。」。它日再通过运筹学、物理学来诠释咱们春秋战国时期诸子百家中道家李耳的易经、张灯结彩、天文历法、廿四节气4、时辰、十二生肖、姻缘与子宫怀孕(借鉴秦灭六国史,建立皇宫称帝「秦始皇」、数学学术概率论)、咱们世袭制道家姓氏堂号子嗣,朱砂痣与贞节牌坊。白月光与朱砂痣学生爱国版自制视频5等。

6.1.3.4 天文历法(农历月份)

冬月和腊月在中国传统的农历中不是同一个月。 农历十一月为「冬月」,又称幸月、畅月、后十月、仲冬。一年十二月用十二地支来表示的话,又称「子月」称「建子」。农伍手历十二月,也就是华人民间俗称的「腊月」。之所以叫「腊月」,是因为「腊」是古代祭祀祖先和百神的「祭」名,有「冬至后三戌祭百神」之说,即每逢冬至后的第三个纪日干支中含有地支「戌」的日子,南北朝时期固定在十二月初八日,华人民间都要猎杀禽兽举行大祭活动,拜神敬祖,以祈福求寿,避灾迎祥。这种祭奠仪式称为「猎祭」。因「腊」与「猎」通假,「猎祭」遂并缓写成了「腊祭」,因而年终的十二月被叫腔蔽嫌做腊月。 成语:寒冬腊月,即是指年前最冷的三个月,寒月为十月;冬月为十一月;腊月为十二月。

夏朝的夏历以孟喜月(元月)为正月,商朝的殷历以腊月(十二月)为正月,周朝的周历以冬月(十一月)为正月。

引用:冬月、腊月还有正月的区别

农历 雅称 其它雅称 地支 生肖
一月 正月 元月、端月 寅月 虎月
二月 杏月 如月、花月 卯月 兔月
三月 桃月 季月、蚕月 辰月 龙月
四月 麦月 槐月、梅月 巳月 蛇月
五月 蒲月 皋月、榴月 午月 马月
六月 荷月 伏月、暑月 未月 羊月
七月 瓜月 巧月(牛郎织女)、秋月 申月 猴月
八月 桂月 壮月、拓月 酉月 鸡月
九月 菊月 玄月、朽月 戌月 狗月
十月 寒月 良月(娶亲嫁女)、阳月 亥月 猪月
十一月 冬月 葭月、霜月、畅月、辜月 子月 鼠月
十二月 腊月 冰月、严月、涂月 丑月 牛月

咱们中国古代如何区分每月的月初、月中、月末呢?借鉴网游《三国志》,每月大约有三十天,分为「上旬、中旬、下旬」。例如:

  • 农历一月上旬:农历年初一到初十
  • 农历一月中旬:农历年十一到廿
  • 农历一月下旬:农历年廿一到月末

欲知更多农历月份雅称,请查阅:

6.1.3.5 天文历法(廿四节气表)

二十四节气是反映一年中自然现象和农事活动季节特征的二十四个节候。 即立春、雨水、惊蛰、春分、清明、谷雨、立夏、小满、芒种、夏至、小暑、大暑、立秋、处暑、白露、秋分、寒露、霜降、立冬、小雪、大雪、冬至、小寒、大寒。

二十四节气是以太阳历为基础,根据太阳在黄道上的位置,从黄经0°起,每隔15°为一节,每月一个「中气」和一个「节气」,全年分十二个「中气」和十二个「节气」,以后合称为节气,共二十四个节气。按天文、气候和农业生产的季节赋予有特征意义的名称。二十四节气是中国古代独特创造,起源于黄河中下游地区。 它以黄河流域的气候为背景,以自然季节现象与农业生产活动相结合为内容。

  • 春分、秋分表示昼夜平分,气候适中;
  • 夏至、冬至分别表示暑夏、寒冬到来;
  • 立春、立夏、立秋、立冬分别表示春夏秋冬四季的开始;
  • 雨水表示降雨季节的开始;
  • 惊蛰是冬眠动物开始复苏,等待出土活动;
  • 清明表明天气开始转暖,草木新绿,景象清新;
  • 谷雨是降雨开始增多,有利于谷物生长;
  • 小满表示草木开始繁茂,夏熟谷物籽粒开始饱满;
  • 芒种是一年中农事繁忙的时节,需要及时进行夏收、夏管,夏种;
  • 小暑、大暑是一年中最炎热的季节;
  • 处暑表示炎热季节的结束;
  • 白露表示气温下降,湿度尚大,多露水;
  • 寒露表示地面辐射冷却快,凝结的露水温度低;
  • 霜降表示天气渐冷,开始结霜;
  • 小雪、大雪表示进入降雪季节;
  • 小寒、大寒是一年中最寒冷的时节。

出处:什么是二十四节气?

植根于农耕文明的智慧总结

二十四节气植根于农耕文明,融汇了先进的农学思想、悠久的重农传统,以及人与自然和谐相处的文化理念,是中国社会顺天应时、指导实践的生活制度,更是中华优秀传统文化中文明成果的典型代表。其核心要义是中国先民通过观察太阳周年运动而形成认知天象、物候、时令、自然变化规律的时间知识体系及其实践。在国际气象界,这一观天察地、认知自然所创造的时间知识体系被誉为“中国的第五大发明”。

早在春秋战国时期,中国先民就利用土圭测量正午太阳影子的长短,并以此确立了春分、夏至、秋分、冬至四个节气。先秦时期的《尚书》和《吕氏春秋》对这四个节气都有所记述。到了秦汉时期,随着天文观测方法的不断进步,古人在测量日影的基础上,将太阳黄道(太阳在假想天球上的运动轨道)分为廿四等份,每一等份确定为一个节气,使每个节气在黄道上都有了一个准确的对照角度,由此完全掌握了节气与太阳运行之间的关系,二十四节气最终定型。

出处:「道中华」为何二十四节气被誉为“中国的第五大发明”?

二十四节气是中国农历中特有的一种划分法,是不折不扣的“中华遗产”。

历法都来自于人们对大自然的观察。阳历将地球绕太阳公转一周的时间(称“回归年”,长约三百圆五又四分之一天天)定为一年。但农历并非如此,民间常常把农历叫“阴历”,实际上,农历确实一直严格使用阴历月(反映月亮盈亏的“朔望月”),但农历不是“阴历”。真正的阴历,如伊斯兰教的回历,以十二个阴历月为一年,一个阴历月平均为廿九点五天,十二个月为三百圩五天左右,比真正阳历的一年少约十天。如果我们的农历也这样,每年春节就会比前一年提前十至十一天,这样逐年提前,积上十六年,我们就要在盛夏摇着扇子过年了。

 为了避免这种现象,中国的农历每3年左右就插入一个闰月,以保持与阳历的一年大致同步,正因为不断插入闰月,所以中国的农历就成了“阴阳历”——既使用阴历月,又用闰月来保证年的平均长度为阳历年长。

 大家稍稍细想,就会领悟到中国农历年长的有趣现象:正常年比阳历年短,为三百圩五天左右,但有闰月的年为十三个月,就会长到三百枯四天左右。可是,反映四季的回归年可不会这样伸缩,大自然春夏秋冬四季的变化是以三百圆五又四分之一天为周期的,所以农历的月份不可能年年与季节的变化完全同步吻合。比如,北京地区是每年农历十月份播种冬小麦,假如去年是十月上旬播种,今年就十月中旬播种才合适,明年再推到十月下旬,后年加了闰月,又回到十月上旬播种。

 显然,这样的历法指导农事活动是非常不便的,必须发展出一套完全反映阳历年的划分方法,与阴历月并行,让每年的季节、气候、农事与这种划分的关系固定下来,历法才实用,于是“节气”就应运而生了。

 阳历反映的是太阳在星空中的运行(实际是地球绕太阳转,但我们在地球上看,是太阳一年在星空中绕地球一周)。太阳运行到最偏南时,昼最短,夜最长,中午我们看到的太阳高度角也最低,这一天叫“冬至”;太阳运行到最偏北时,昼最长,夜最短,中午的太阳高度角最高,叫“夏至”;而“春分”、“秋分”,太阳恰经过赤道,昼夜平分。想反映回归年四季变化的过程,春分、夏至、秋分、冬至当然就是四个最佳的“节点”,但光有这四个点是远远不够的,农事如播种、插秧、中耕、收获等活动需要固定在每年更精确的时间段,前后不能差十天半月,所以这四个节点还要向下细分,于是每季节平均分成六份,全年为廿四个节气,一节气为十五天左右,这样最适用,就固定为“二十四节气”,沿用于后世。

 完整的二十四节气名称最早见于汉代的《淮南子∙天文训》这廿四个节气的名字是:

 立春、雨水、惊蛰、春分、清明、谷雨、立夏、小满、芒种、夏至、小暑、大暑、立秋、处暑、白露、秋分、寒露、霜降、立冬、小雪、大雪、冬至、小寒、大寒。

 由此可见,二十四节气和阴历月没有任何联系,完全是“自成体系”的,属于中国传统历法阴阳历中的阳历部分。民间常认为节气属于阴历,完全是农历中阴历月占主流造成的错觉。

 辛亥革命推翻封建帝制后,历法改用公历,公历是纯阳历,于是从此二十四节气与公历日期结下了不解之缘。

(作者系北京天文馆古观象台研究员)

出处:二十四节气:农历中的「阳历」

廿四节气究竟是阳历还是阴历,可能有些人还搞不明白。

现在世界通行的历法是阳历,而华人则更多的采用「阴历」这一古老的方法。阴历是以月亮的圆缺变化周期作为计算单位,这个周期大致是廿九天六个时辰卌四分四秒左右,因此大月卅天,小月廿九天,真正的阴历一年只有三百圩四天,比阳历少十一天。为了使它能够符合天气冷热变化的周期,每隔二年或是三年就得多增加一个月,称为「闰月」,所以我国古时就有「十三月」的名称,后来又用「十九年七闰」的方法来设定闰月。目前在科学指导下,闰月设置就更精确了。

阳历是根据地球绕太阳公转一周所需时间计算的,这地球公转一周需用是三百圆五天五小时卌八分卌六秒,为方便以三百圆五天做为一年,每隔四年设一个闰月,使原本廿八天的二月增加为廿九天。

引用:廿四节气究竟是阳历还是阴历?

节气时间

春季 | 日期(阳历) | 夏季 | 日期(阳历) | 秋季 | 日期(阳历) | 冬季 | 日期(阳历) |
立春 | 二月三至五日 | 立夏 | 五月五至七日 | 立秋 | 八月七至九日 | 立冬 | 十一月七至八日 |
雨水 | 二月十八至廿日 | 小满 | 五月廿至廿二日 | 处暑 | 八月廿二至廿四日 | 小雪 | 十一月廿二至廿三日 |
惊蛰 | 三月五至七日 | 芒种 | 六月五至七日 | 白露 | 九月七至九日 | 大雪 | 十二月六至八日 |
春分 | 三月廿至廿二日 | 夏至 | 六月廿一至廿二日 | 秋分 | 九月廿二至廿四日 | 冬至 | 十二月廿一至廿三日 |
清明 | 四月四至六日 | 小暑 | 七月六至八日 | 寒露 | 十月八至九日 | 小寒 | 一月五至七日 |
谷雨 | 四月十九至廿一日 | 大暑 | 七月廿二日至廿四日 | 霜降 | 十月廿三至廿四日 | 大寒 | 一月廿至廿一日 |

出处:「问百度」二十四节气表

出处:便民查询网 - 二零二四年节气

萬年曆黃曆是个咱们道家查询日歷、农歷、黄歷吉日运势的手机应用,有关更多务农、天文历法、廿四节气等信息,请查阅以下文章:

cat('天干:', 天干, '\n地支:', 地支, '\n干支:', 干支, '\n')
## 天干: 甲 乙 丙 丁 戊 己 庾 辛 壬 癸 
## 地支: 子 丑 寅 卯 辰 巳 午 未 申 酉 戌 亥 
## 干支: 甲子 乙丑 丙寅 丁卯 戊辰 己巳 庾午 辛未 壬申 癸酉 甲戌 乙亥 丙子 丁丑 戊寅 己卯 庾辰 辛巳 壬午 癸未 甲申 乙酉 丙戌 丁亥 戊子 己丑 庾寅 辛卯 壬辰 癸巳 甲午 乙未 丙申 丁酉 戊戌 己亥 庾子 辛丑 壬寅 癸卯 甲辰 乙巳 丙午 丁未 戊申 己酉 庾戌 辛亥 壬子 癸丑 甲寅 乙卯 丙辰 丁巳 戊午 己未 庾申 辛酉 壬戌 癸亥
## 在此添加两列,分别是干支和廿四节气。
## > range(总汇$日期)
## [1] "2018-01-02" "2018-06-30"
## 便民查询网:https://jieqi.bmcx.com/2018__jieqi
廿四节气 = c(立春 = '2018-02-04', 雨水 = '2018-02-19', 惊蛰 = '2018-03-05', 春分 = '2018-03-21', 清明 = '2018-04-05', 谷雨 = '2018-04-20', 立夏 = '2018-05-05', 小满 = '2018-05-21', 芒种 = '2018-06-06', 夏至 = '2018-06-21', 小暑 = '2018-07-07', 大暑 = '2018-07-23', 立秋 = '2018-08-07', 处暑 = '2018-08-23', 白露 = '2018-09-23', 秋分 = '2018-09-23', 寒露 = '2018-10-08', 霜降 = '2018-10-23', 立冬 = '2018-11-07', 小雪 = '2018-11-22', 大雪 = '2018-12-07', 冬至 = '2018-12-22', 小寒 = '2019-01-05', 大寒 = '2019-01-20') |> as.Date()
廿四节气 <- data.frame(日期 = 廿四节气, 廿四节气 = names(廿四节气))
总汇 <- join(日内指数平滑数据二零一八年上半年总汇, 廿四节气) |> 
  mutate(廿四节气 = factor(str_replace_na(廿四节气)), 时分秒 = as_hms(年月日时分), 
         时辰 = factor(str_replace_na(case_when(
           时分秒 >  as_hms('23:00:00') & 时分秒 <= as_hms('23:59:59') ~ '子时', 
           时分秒 >= as_hms('00:00:00') & 时分秒 <= as_hms('01:00:00') ~ '子时', 
           时分秒 >  as_hms('01:00:00') & 时分秒 <= as_hms('03:00:00') ~ '丑时', 
           时分秒 >  as_hms('03:00:00') & 时分秒 <= as_hms('05:00:00') ~ '寅时', 
           时分秒 >  as_hms('05:00:00') & 时分秒 <= as_hms('07:00:00') ~ '卯时', 
           时分秒 >  as_hms('07:00:00') & 时分秒 <= as_hms('09:00:00') ~ '辰时', 
           时分秒 >  as_hms('09:00:00') & 时分秒 <= as_hms('11:00:00') ~ '巳时', 
           时分秒 >  as_hms('11:00:00') & 时分秒 <= as_hms('13:00:00') ~ '午时', 
           时分秒 >  as_hms('13:00:00') & 时分秒 <= as_hms('15:00:00') ~ '未时', 
           时分秒 >  as_hms('15:00:00') & 时分秒 <= as_hms('17:00:00') ~ '申时', 
           时分秒 >  as_hms('17:00:00') & 时分秒 <= as_hms('19:00:00') ~ '酉时', 
           时分秒 >  as_hms('19:00:00') & 时分秒 <= as_hms('21:00:00') ~ '戌时', 
           时分秒 >  as_hms('21:00:00') & 时分秒 <= as_hms('23:00:00') ~ '亥时'))))
  ## |> dplyr::filter(廿四节气 != 'NA')

总汇 <- cbind(总汇[, -c('市场价', '预测价')], 干支, 
            日内指数平滑数据二零一八年上半年总汇[, c('市场价', '预测价')]) |> 
  mutate(干支 = factor(干支), 时辰 = factor(时辰))
# rm(天干, 地支, 干支, 廿四节气)

6.2 外部因素周期性自回归综合滑均模型(ARIMAX)

# --------- eval = FALSE ---------
forecast::Arima()

TSA::arima()

TSA::arimax()

stats::arima0()

fable::ARIMA()

当没有特殊指定时,ARIMA() 函数使用unitroot_nsdiffs() 来决定D(季节差分的次数)和d(普通差分的次数)。与非季节ARIMA模型一样,模型参数(p,q,P and Q)的选择都通过最小化AICc来决定。

出处:「预测」方法与实践(第三版)第九章第九节 - 季节性ARIMA模型

引用binary.com 面试试题 I - GARCH模型中的ARIMA(p,d,q)参数最优化中使用forecast::arimaorder()筹算自回归模型并将规律p值、d值、q值最优化,来提高计数模型的精准度。

欲知更多有关外部因素周期性自回归综合滑均模型(ARIMAX),请查阅以下文章:

6.3 季节性自回归综合滑均模型(SARIMA)

sarima::sarima()

6.4 外部因素周期性季节性自回归综合滑均模型(SARIMAX)

6.5 外部因素周期性自回归分整综合滑均模型(Auto Regressive Fractionally Integrated Moving Average Exogenous - ARFIMAX)

6.6 多元季节性自回归综合滑均模型(Multi-Seasonal Time Series msts()

7 模型比较

8 结论

8.1 摘要

大秦赋
春秋战国《礼记•经解
孔子曰:「君子慎始,差若毫厘,缪以千里。」

《礼记•经解》孔子曰:「君子慎始,差若毫厘,谬以千里。」6

引用:「快懂百科」《礼记•经解》第一范文网:差之毫厘,谬以千里的故事「百度百科」春秋时期孔子作品《礼记•经解》「當代中國」差之毫釐 謬以千里

8.2 精准度

VAR分析中的一个中心问题是找到滞后的阶数,以产生最佳结果。模型比较通常基于信息标准,例如AIC,BIC或HQ。通常,由于是小样本预测,AIC优于其他标准。但是,BIC和HQ在大型样本中效果很好

引用:R语言用向量自回归(VAR)进行经济数据脉冲响应研究分析

这儿使用forecast程序包,尚未使用fable程序包与fabletools程序包,该程序包中的accuracy()7函数和report()函数有使用平均绝对比例误差(MASE)来衡量更为精准的计数模型预测值。

反击大象共和国

#回教徒爱国就严格遵守回教徒可兰经法家国学论集体自杀而不爱国就集体退位让贤而已 #美国耶稣洋番集体被钉在十字架被晒死 回教徒可兰经法家国学论,东南亚巫贼巫婆回教徒尤其是瓜雪巴西不能帮万佛寺土司张佳坤爱国虔诚狂热份子和大象共和国举国公民马航三七零和马航十七自杀式飞往东亚

引用:勇于认错的美国洋番回教徒九一一恐怖份子国父华盛顿自杀式伐木都说东亚中国(包括咱们海内外所有华人)不是洋番的敌人,而敌人是东南亚所有巫贼巫婆回教徒包括新加坡首任总统忧索夫殡伊斯骇客回教徒九一一恐怖份子

核武器温馨提示:回教徒可兰经法家国学论,可兰经回教规定全球所有回教徒世袭制不许学可兰经以外的习俗文化宗教语言断肢法和不许叛乱和叛教

引用:斩首、石刑、截肢…阿富汗“伊斯兰教法”或将重现酷刑

8.3 前瞻科研

使用一样的汇价数据,不过从二零一八年上半年数据,可以节省许多时间。下一篇科研Deriv.com - 筛选日内高频量化交易计数模型 (丁)8(第IV部改为使用道家天干中甲乙丙丁的「丁」)会使用fablefabletoolsfable.prophettbatsmidassarimaxarfimax等其它计数模型,然后还有比较长短记忆模型如tensorflowkeras,隐马尔可夫链、隐含波动率、波浪形模型等其它计数模型。

近期招聘一览表:*全网Quant都在看!

#春秋战国 #诸子百家 #算筹 #十二生肖 #科学数学博弈概率论 #中华复兴运动 #中华五千年习俗文化宗教语言法规 #万般皆下品唯有读书高 #中华国卒 #咱们中华民族和越族世袭制道教徒姓氏堂号烧香祭祖张灯结彩题字春联中医中华庙宇 #公元前只有农历和国际标准中文北京话没有阳历洋番 #全球洋番都是祖籍以色列或住森林山洞的泰山 #世袭制道教徒法家商鞅以商君书奠定一统天下之道 #世袭制道教徒吕不韦以吕氏春秋的务农金融股票商品市场和娱乐圈来一统天下 #世袭制道教徒法家李斯以中华庙宇习俗文化宗教语言法规和各集团组织理事治天下来一统天下 #关雎 #求贤令 #礼贤馆 #秦 #马华公会借鉴越南国旗和欧盟以一颗夜空中最亮的星来立国🌟

🚩世袭制道教徒秦国(秦孝公/陈祯禄公爵至始祖嬴政)三杰治天下:商鞅(卫人仕秦)、吕不韦(卫人仕秦)、李斯(楚人仕秦)。 一)借鉴王安、斯蒂芬·乔不死和比尔·盖茨研发个人电脑与编程,李斯改变世界治天下。 二)借鉴专业酉逆袭操作系统鄀计数学(R计数学编程)编程软件,商鞅变法,以民族主义数学科学科技学术治天下。 三)借鉴高频量化对冲基金席卷全球,贾人吕不韦之吕氏春秋学术、娱乐圈、地产、农牧、工商金融、博彩业、高频量化对冲基金等治天下。

帝道「始祖」:借鉴秦孝公至秦始皇史(借鉴秦人牧马与商鞅变法论,歼灭领土上所有回教徒),以明治维新将西方学术数学科学科技(例如苹果、微软、谷歌、文艺复兴科技、白鲨黑社会、桥水、亚马逊、特斯拉、spaceX、星链)转为咱们中华习俗文化,再自家研发咱们世袭制道教徒中华民族习俗文化宗教语言操作系统与电子仪器,世袭制道教徒法家李斯国学论以学术数学科学科技治天下(研发咱们中系「大秦赋」电脑操作系统与电子仪器以道家习俗文化宗教语言法规、高频量化对冲与大数定律学术、李斯篆书之文言文编程、阅读脑电波,来改变世界格局来一统天下,各民族遵守各自民族习俗文化宗教语言法规,直到歼灭东南亚领土上所有回教徒)、世袭制道教徒商鞅变法(商君书,开阡陌废井田、加上三农政策士农工商,以中药和中医取代天下所有🇲🇻🇨🇭🌙✝️西医。各民族遵守各自民族习俗文化宗教语言法规)、世袭制道教徒吕不韦之吕氏春秋,以中华娱乐圈取代西方娱乐圈、中药和中医取代天下所有🇲🇻🇨🇭🌙✝️西医,与世袭制道教徒马华公会民族主义论,以商治天下,一劳永逸。

王道「MY大汉山 - 三国志/朱重八起义/孙文」:借鉴中华民国辛亥革命史,以习俗文化使用西方学术数学科学科技辛亥革命、草船借箭与孔明借东风论歼灭东南亚领土上所有清真教徒,偏于一方成为众诸侯之一。「高筑墙,广积粮,缓称王」后再励志图强。

霸道「MY大汉山 - 西楚霸王」:借鉴古巴比伦与犹太人、土司乩童张佳坤和土司乩童白骨精刘瑾貹倆和马来貘、蓄短胡子的清真教徒马来西亚国父东姑阿都拉曼或希特勒(反佛教徒卍的清真教徒敦姑阿杜拉满卐)戊戌变法论,以可兰经清真习俗文化断肢法对待各种族暴政歼灭东南亚领土上所有回教徒治天下,昙花一现。(目前马来西亚举国都插上西亚清真教国的巴勒斯坦国旗天天被轰炸天灾不断,清真教徒政权的亡国之道。咱们祖籍中国的华侨和越族都不要当任何清真教徒的替死鬼)

引用:你知道中国十五大国粹都有哪些吗?甚至有些连名字你都叫不上来

借鉴世界足球联赛,国卒都可以发展为竞技联赛,衍生为博弈数学概率论行业。

  • 学术科学科技与兵法(学术界、科技业、网游、借鉴「三国志」「春秋战国」「太阁立志传」治天下)
  • 中国象棋(中华习俗文化、学术、广告与娱乐圈)
  • 麻将(中华习俗文化、学术、广告与娱乐圈)
  • 围棋(中华习俗文化、学术、广告与娱乐圈)
  • 中华武术、中华京剧、歌曲与舞蹈(中华习俗文化、学术、广告与娱乐圈)
  • 中华寺庙与中药/中医(姓氏堂号、生辰八字卜卦、天文历法、学术概率论物理学、医学保健与保险业、农业与工业、陵墓、道家易经、学术物理学、兵法、广告与娱乐圈)
  • 四书五经六艺(琴棋书画、茶艺、中华习俗文化、学术、广告与娱乐圈)
  • 吟诗作对(中华习俗文化、学术、广告与娱乐圈)
  • 中华影城(中华复兴革命、道家易经、学术物理学、兵法、广告与娱乐圈)


9 附录

9.2 文书明细

以下乃此文书的文件信息。

  • 文集建立日:农历二零二二年十二月廿三 壬寅年(虎年)癸丑月壬申日(阳历二零二三年一月十四日 / 民国一百一十一年十二月廿三)9
  • 文集最新更新日:2024-03-27
  • R version 4.3.3 (2024-02-29)
  • rmarkdown 程序包版本:2.26
  • 文集版本:一零一
  • 文集作者:®γσ, ξηg Lιαη Ημ
  • 猫城:源代码
  • 追加附属信息
suppressMessages(require('formattable', quietly = TRUE))
suppressMessages(require('knitr', quietly = TRUE))
suppressMessages(require('kableExtra', quietly = TRUE))
suppressMessages(require('magittr', quietly = TRUE))
suppressMessages(require('devtools', quietly = TRUE))

系统信息甲 <- session_info()$platform |> 
    unlist() |> 
    {\(.) data.frame(row.names = 1:length(.), 
                     Category = names(.), session_info = .)}()

系统信息乙 <- data.frame(Sys.info()) |> 
    {\(.) data.frame(Category = row.names(.), Sys.info = .[,1])}()

#remarks, dim(系统信息甲), dim(系统信息乙)
if (nrow(系统信息甲) == 11 && nrow(系统信息乙) == 8) {
  系统信息乙 <- 系统信息乙 |> 
    {\(.) rbind(., data.frame(
    Category = c('rmarkdown', 'rsconnect', '当前时间'), 
    Sys.info = c(as.character(getwd()), 
                 as.character(packageVersion('rsconnect')), 
                 paste(as.character(
                   lubridate::now('Asia/Shanghai')), 'CST 中国标准时间 🗺'))))}()
  
} else if (nrow(系统信息甲) == 10 && nrow(系统信息乙) == 8) {
  系统信息甲 <- rbind(系统信息甲, data.frame(Category = '', session_info = ''))
  
  系统信息乙 <- 系统信息乙 |> 
    {\(.) rbind(., data.frame(
    Category = c('rmarkdown', 'rsconnect', '当前时间'), 
    Sys.info = c(as.character(getwd()), 
                 as.character(packageVersion('rsconnect')), 
                 paste(as.character(
                   lubridate::now('Asia/Shanghai')), 'CST 中国标准时间 🗺'))))}()
}

系统信息 <- cbind(系统信息甲, 系统信息乙)
names(系统信息) <- c('分类甲', '访谈信息甲', '分类乙', '访谈信息乙')
系统信息$分类甲 <- c('版本', '操作系统', '系统', '界面', '语言', '核对', 
              '©标准库', '时区', '日期', '®文艺坊版本', 'Pandoc瑞士军刀')
系统信息$分类乙 <- c('系统名称', '发布', '版本', '元素节点', '机器', '登录', 
              '用户', '活跃用户', 'rmarkdown (®降价编译)', 
              'rsconnect (®s联通)', '当前时间')
rm(系统信息甲, 系统信息乙)

系统信息 |> 
  {\(.) 
    kbl(., caption = '附加访谈信息:')}() |> 
  {\(.) 
    kable_styling(
      ., bootstrap_options = c('striped', 'hover', 'condensed', 'responsive'))}() |> 
  {\(.) 
    row_spec(., 0, background = 'DimGrey', color = '#7b1113')}() |> 
  {\(.) 
    column_spec(., 1, background = 'CornflowerBlue', color = 'red')}() |> 
  {\(.) 
    column_spec(., 2, background = 'grey', color = '#8B0000')}() |> 
  {\(.) 
    column_spec(., 3, background = 'CornflowerBlue', color = 'blue')}() |> 
  {\(.) 
    column_spec(., 4, background = 'grey', color = 'white')}() |> 
  {\(.) 
    row_spec(., 11, bold = TRUE, color = 'yellow', background = '#D7261E')}()
附加访谈信息:
分类甲 访谈信息甲 分类乙 访谈信息乙
版本 R version 4.3.3 (2024-02-29) 系统名称 Linux
操作系统 RedFlag Desktop 11.0 发布 5.10.0-1-amd64
系统 x86_64, linux-gnu 版本 #1 SMP Debian 5.10.40-1~rf11u1.2 (2022-09-22)
界面 X11 元素节点 Scibrokes
语言 zh_CN:en 机器 x86_64
核对 zh_CN.UTF-8 登录 englianhu
©标准库 zh_CN.UTF-8 用户 englianhu
时区 Asia/Shanghai 活跃用户 englianhu
日期 2024-03-27 rmarkdown (®降价编译) /home/englianhu/文档/猫城/binary.com-interview-question
®文艺坊版本 3.1.1 @ /usr/lib/rstudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown) rsconnect (®s联通) 1.2.1
Pandoc瑞士军刀 当前时间 2024-03-27 08:52:40.979472 CST 中国标准时间 🗺

9.3 参考文献

  1. Deriv.com - Interday High Frequency Trading Models Comparison (Blooper)
  2. Deriv.com - Interday High Frequency Trading Models Comparison Review (Part I) (发布于RPubs.com)
  3. Deriv.com - Interday High Frequency Trading Models Comparison Review (Part I) (发布于RStudioConnect.com)
  4. binary.com 面试试题 I - GARCH模型中的ARCH in Mean
  5. binary.com 面试试题 I - GARCH模型中的ARIMA(p,d,q)参数最优化
  6. Deriv.com - 筛选日内高频量化交易计数模型 校阅(第III部)
  7. Forecasting: Principles and Practice
  8. Tableau 100 Color Palettes
  9. PYTHON中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
  10. 利用SARIMAX进行销量预测
  11. 时间序列分析模型:ARIMA模型和SARIMAX算法
  12. 利用SARIMAX進行銷量預測
  13. 季節性時間序列分析-SARIMAX模型的python實現
  14. SARIMAX:简介
  15. Python数据分析案例-分别使用时间序列ARIMA、SARIMAX模型与Auto ARIMA预测国内汽车月销量_maiyida123的博客-程序员资料
  16. 预测:方法与实践:第十一章第一节复杂季节性
  17. 市道轮换下的高频数据参数估计
  18. STAT 510 Applied Time Series Analysis : 13.1 Long Memory Models and Fractional Differences
  19. A Complete Introduction To Time Series Analysis (with R):: Exogenous models
  20. Implementation of Time Series Forecasting Methods (SARIMA, SARIMAX and Prophet)
  21. Time Series Forecasting Techniques using R
  22. A Guide to Time Series Forecasting in R You Should Know
  23. HTML Color Codes

Sςιβrοκεrs Trαdιηg®
世博量化®企业知识产权及版权所有,盗版必究。


  1. 唯一会飞的爬行动物飞蜥是翼龙的后代吗?↩︎

  2. 愚生世袭制学术份子道教徒赢家黄氏江夏堂,联富高频量化对冲易经算卜数学概率论,孔明借东风水淹七军歼灭那些祖籍印尼和印度的印裔施展巫术屠杀六百枯万人类的金宝博巫师邪教印裔回教徒宦官博彩庄诸邦↩︎

  3. 唯一会飞的爬行动物飞蜥是翼龙的后代吗?↩︎

  4. 预测:方法与实践(第三版)
    - Forecasting: Principles and Practice (3rd ed) - 5.8 Evaluating point forecast accuracy阐明评估预测精准度的计算公式。
    - 预测:方法与实践(第三版) - 第五章第八节 评估预测精度阐明评估预测精准度的计算公式。
    - 「CSDN」选择正确的错误度量标准:MAPE与sMAPE的优缺点
    - 「β站」康雁飞在线视频教程《预测:方法与实践》(第三版)↩︎

  5. HTML Color Codes↩︎

  6. HTML Color Codes↩︎

  7. 预测:方法与实践(第三版)
    - Forecasting: Principles and Practice (3rd ed) - 5.8 Evaluating point forecast accuracy阐明评估预测精准度的计算公式。
    - 预测:方法与实践(第三版) - 第五章第八节 评估预测精度阐明评估预测精准度的计算公式。
    - 「CSDN」选择正确的错误度量标准:MAPE与sMAPE的优缺点
    - 「β站」康雁飞在线视频教程《预测:方法与实践》(第三版)↩︎

  8. 下篇论文中Deriv.com - 筛选日内高频量化交易计数模型 校阅(第IV部),使用季节性自回归综合滑均模型系列
    - 季节性指数平滑模型(Seasonal Exponential Smoothing - Seasonal ETS)
    - 外部因素周期性自回归综合滑均模型(ARIMAX)
    - 季节性自回归综合滑均模型(SARIMA)
    - 外部因素周期性季节性自回归综合滑均模型(SARIMAX)
    - 外部因素周期性自回归分整综合滑均模型(Auto Regressive Fractionally Integrated Moving Average Exogenous - ARFIMAX)
    - 多元季节性自回归综合滑均模型(Multi-Seasonal Time Series msts()↩︎

  9. 欲知更多阳历/民国/农历日历详情,请登录中华民国农业部官网查询日历查询阳历/农历/民国查询↩︎